最近，一位来自复旦大学的研究生朱明超，将一本少有的书《Interpretable Machine Learning》（可解释机器学习）翻译成了中文。这本书最初是由德国慕尼黑大学博士 Christoph Molnar 耗时两年完成的，长达 250 页，是仅有的一本系统介绍可解释性机器学习的书籍。包括 Google 在内，也在不断探索打开神经网络『黑盒子』的正确方式。
『可解释人工智能』（XAI）是这本书的核心论题。作者认为，可解释性在机器学习甚至日常生活中都是相当重要的一个问题。建议机器学习从业者、数据科学家、统计学家和任何对使机器学习模型可解释的人阅读本书。《可解释的机器学习》该书总共包含 7 章内容：
- 第一章：前言
- 第二章：可解释性
- 第三章：数据集
- 第四章：可解释的模型
- 第五章：模型无关方法
- 第六章：基于样本的解释
- 第七章：水晶球
Molnar 表示，虽然数据集与黑盒机器学习解决了很多问题，但这不是最好的使用姿势，现在模型本身代替了数据成为了信息的来源，但可解释性可以提取模型捕捉到的额外信息。当我们的日常生活中全都是机器和算法时，也需要可解释性来增加社会的接受度。毕竟要是连科学家都研究不透『黑盒』，怎样让普通人完全信任模型做出的决策呢？这本书的重点是机器学习的可解释性。你可以从这本书中学习简单的、可解释的模型，如线性回归、决策树和决策规则等。后面几章重点介绍了解释黑盒模型的模型无关的一般方法，如特征重要性和累积局部效应，以及用 Shapley 值和 LIME 解释单个实例预测。
对各种解释方法进行了深入的解释和批判性的讨论。它们是如何工作的？优点和缺点是什么？如何解释它们的输出？本书使你能够选择并正确应用最适合你的机器学习项目的解释方法。这本书结合了各类现实生活中的例子来介绍相关的概念，同时搭配参考链接帮助读者进一步学习了解。
另外，朱同学的 GitHub 上还一直在坚持翻译 Good fellow 的《机器学习》，还在翻译中配上了自己编写的 Python 代码供参考。有兴趣的同学也可以顺带去参考学习。
项目 GitHub 地址