大多数中级机器学习书籍都专注于如何通过提高准确性或减少预测误差来优化模型。但是这种方法常常忽略了理解ML模型为什么以及如何做出预测的重要性。可解释性方法为更好地理解模型行为提供了必要的工具包，本实用指南为模型可解释性汇集了一流的技术。有经验的机器学习工程师和数据科学家将亲自学习这些技术如何工作，以便能够在日常工作流程中更轻松地应用这些工具。本书内容包括：详细介绍了一些最有用和最常用的解释性技术，强调了优点和缺点，以帮助您选择适合您需求的很好工具；实施这些技术的技巧和很好实践；与解释性交互以及如何避免常见陷阱的指南；将可解释性纳入ML工作流以帮助构建更健壮的ML系统所需的知识；关于可解释AI技术的建议，包括如何将技术应用于使用表格、图像或文本数据的模型；Python示例实现代码，使用Keras和TensorFlow 2.0、PyTorch和HuggingFace中构建的模型的知名解释性库。

123