Publisher's Synopsis
Tahmin modellerini sorumlu bir yaklasimla nasil kurabiliriz? Bu, farkli deneyim seviyelerindeki veri bilimciler tarafindan bana siklikla sorulan bir sorudur. Görünüste basit ama ayni zamanda zorlayici, çünkü ele alinmasi gereken farkli paydaslara ait birkaç ortogonal konu ve bakis açisi var. Model gelistiriciler, model egitiminin otomasyonuna, performansinin izlenmesine, hata ayiklamaya ve MLOps ile ilgili diger konulara odaklanir. Tahmin modelleri kullanicilari açiklanabilirlik, seffaflik ve güvenlikle daha fazla ilgilenirken, adalet, önyargi, etik ise çogunlukla toplumu ilgilendiren konulardir. Düzenleyiciler, özellikle büyük ölçekli etkileri olan model kullanimlarinin sonuçlari ile ilgilenmektedir. Bu bakis açilarini dikkate alarak, Sorumlu Makine Ögrenmesi (RML) ile ilgili üç temel unsura odaklaniyoruz. Algoritmalar - Genellikle, verideki karmasik iliskileri ortaya çikarmak için gelismis ve esnek makine ögrenmesi algoritmalari kullanmaniz gerekir. Ancak, nasil çalistiklari anlasilmadan kullanilmamalidir. Do\-la\-yi\-siy\-la sorumlu modelleme hakkinda bir tartisma, karmasik modellerin nasil çalistigi konusuna mutlaka deginmelidir. Yazilim - Gelismis modellerin egitimi, yogun hesaplama gerektiren bir süreçtir. Verimli egitime izin veren paketler, birer mühendislik harikasidir. Profesyoneller iyi araçlar kullanir, bu nedenle sorumlu modellemeyle ilgili bir hikaye yazilirsa, mutlaka iyi yazilimla ilgili bir bölüm içermelidir. Süreç - Tahmin modelleri kurmak yalnizca araçlarla ilgili degil, ayni zamanda planlama, lojistik, iletisim, teslim tarihleri ve hedeflerle de ilgilidir. Veri ve model kesfi süreci tekrarli bir süreçtir, her tekrarda oldugu gibi, giderek daha iyi modellere ulasiriz. Araçlari ne zaman ve nasil kullanacaginizi bilmiyorsaniz, yalnizca araçlari kullanabilmek yeterli olmaz. Bu nedenle sorumlu modellemeden önce modelleme süreçlerin ele alinmasi gerekiyor. Bu kitap, bahsedilen bu yönleri ayni anda bir araya getiren bir içerige sahiptir. Içerigi, bazi modern makine ögrenmesi yöntemlerini ve çalisma mekanizmalarindan olusmaktadir. Yöntemler, R dilinde Rcran yazilmis örnek kodlarla desteklenmistir. Beta ve Bit adli iki karakterin maceralarini anlatan bir çizgi roman ile anlatim hikayelestirilmistir. Bu etkilesim, farkli bir model denemek, kesif için baska bir yöntem denemek, veya baska verileri aramak gibi analistlerin siklikla karsi karsiya kaldiklari, modeller nasil karsilastirilir veya nasil dogrulanir
