1부. 머신러닝 해석 소개__1장. 해석, 해석 가능성, 설명 가능성: 왜 이 모두가 중요한가?______기술 요구 사항______머신러닝 해석이란?____단순 몸무게 예측 모델의 이해______해석 가능성과 설명 가능성의 차이점 이해____해석 가능성이란____설명 가능성이란______해석 가능성에 대한 비즈니스 사례____더 나은 의사결정____더 신뢰받는 브랜드____더 윤리적인____더 많은 수익______정리______이미지 소스______더 읽을거리__2장. 해석 가능성의 주요 개념______기술 요구 사항______미션____CVD에 대한 상세정보______접근법______준비____라이브러리 로드____데이터 이해 및 준비______해석 방법론의 종류와 범위____모델 해석 가능성 방법론의 종류____모델 해석 가능성의 범위____로지스틱 회귀로 개별 예측 해석______머신러닝 해석 가능성을 저해하는 요인____비선형성____상호작용성____비단조성______미션 완료______정리______더 읽을거리__3장. 머신러닝 해석의 과제______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터의 이해 및 준비______전통적인 모델 해석 방법론____다양한 회귀 방법론으로 지연된 시간 예측____다양한 분류 방법론으로 항공편 지연 여부 분류____차원 축소 방법으로 지연된 항공편 시각화______전통적인 모델 해석 방법론의 한계______본질적으로 해석 가능한 화이트박스 모델____일반화 선형 모델(GLM)____의사결정 트리____RuleFit____최근접 이웃____나이브 베이즈______성능과 해석 가능성 사이의 균형____특수한 모델 속성____성능 평가______최신의 해석 가능한 글래스박스 모델____설명 가능한 부스팅 머신(EBM)____Skoped Rules______미션 완료______정리______데이터셋 소스______더 읽을거리2부. 해석 방법론 마스터하기__4장. 피처 중요도와 피처 영향력______기술 요구 사항______미션____성격과 출생 순서______접근법______준비____라이브러리 로드____데이터 이해 및 준비______결과에 대한 피처의 영향력 측정____트리 기반 모델의 피처 중요도____로지스틱 회귀의 피처 중요도____LDA의 피처 중요도____다층 퍼셉트론의 피처 중요도______PFI 실습____PFI의 단점______PDP 해석____상호작용 PDP____PDP의 단점______ICE 플롯____ICE의 단점______미션 완료______정리______데이터셋 소스______더 읽을거리__5장. 글로벌 모델 독립적 해석 방법론______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비____데이터 딕셔너리______섀플리 값 소개______SHAP 요약 플롯 및 의존도 플롯 해석____SHAP 요약 플롯 생성____상호작용 이해하기____SHAP 의존도 플롯____SHAP 영향력 플롯______누적 지역 효과 플롯______글로벌 대체 모델______미션 완료______정리______더 읽을거리__6장. 로컬 모델 독립적 해석 방법론______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비______SHAP의 KernelExplainer 활용해 SHAP 값으로 로컬 해석______LIME ______NLP에 LIME 사용하기______NLP에 SHAP 사용하기______SHAP과 LIME 비교______미션 완료______정리______데이터셋 소스______더 읽을거리__7장. 앵커와 반사실적 설명______기술 요구 사항______미션____재범 위험 평가의 부당한 편향______접근법______준비____라이브러리 로드____데이터 이해 및 준비______앵커 설명에 대한 이해____alibi를 이용해 앵커 및 반사실적 설명 준비하기____앵커 설명을 위한 로컬 해석______반사실적 설명 탐색____프로토타입을 통한 반사실적 설명____What-If 도구(WIT)를 사용한 반사실적 설명______CEM과의 비교______미션 완료______정리______데이터셋 소스______더 읽을거리__8장. 컨볼루션 신경망 시각화______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비____전통적인 해석 방법론으로 CNN 분류기 평가______활성화 기반 방법론으로 학습 과정을 시각화____중간 활성화____활성화 극대화______그래디언트 기반 귀인 방법론으로 오분류 검증____돌출 맵____Grad-CAM____통합 그래디언트____종합______섭동 기반 귀인 방법론으로 분류 이해____폐쇄 민감도____LIME의 ImageExplainer____CEM____종합____보너스: SHAP의 DeepExplainer______미션 완료______정리______데이터셋 및 이미지 소스______더 읽을거리__9장. 다변량 예측 및 민감도 분석을 위한 해석 방법론______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비______전통적인 해석 방법론으로 시계열 모델 평가______통합 그래디언트로 LSTM 속성 생성______SHAP의 KernelExplainer로 글로벌 및 로컬 속성 계산______인자 우선순위화로 영향력 있는 피처 식별______인자 고정으로 불확실성 및 비용 민감도 정량화______미션 완료______정리______데이터셋 및 이미지 소스______더 읽을거리3부. 해석 가능성을 위한 튜닝__10장. 해석 가능성을 위한 피처 선택과 피처 엔지니어링______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비______상관성 없는 피처의 효과 이해______필터링 기반 피처 선택 방법론____기본 필터링 기반 방법론____상관관계 필터링 기반 방법론____순위 필터링 기반 방법론____필터링 기반 방법론 비교______임베디드 피처 선택 방법론______래퍼, 하이브리드, 고급 피처 선택 방법론____래퍼 방법론____하이브리드 방법____고급 피처 선택 방법론____모든 피처 선택 모델 평가______피처 엔지니어링 고려______미션 완료______정리______데이터셋 소스______더 읽을거리__11장. 편향 완화 및 인과관계 추론 방법론______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비______편향 감지____데이터셋 편향 시각화____데이터셋 편향 정량화____모델 편향 정량화______편향 완화____전처리 편향 완화 방법론____프로세스 내 편향 완화 방법론____후처리 편향 완화 방법론____편향 완화 방법론 비교______인과 모델 생성____실험 결과 이해____인과 모델에 대한 이해____선형 DRL 초기화____인과 모델 적합______이질적 처치 효과____정책 선택______추정치 견고성 테스트____무작위 공통 원인 추가____무작위 변수로 처치 대체______미션 완료______정리______데이터셋 소스______더 읽을거리__12장. 해석 가능성을 위한 단조성 제약조건과 모델 튜닝______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비______피처 엔지니어링으로 가드레일 배치____서수화____이산화____상호작용 항과 비선형 변환____범주화 인코딩____다른 준비 작업______해석 가능성을 위한 모델 튜닝____케라스 신경망 튜닝____인기 있는 다른 모델 클래스 튜닝____베이지안 하이퍼파라미터 튜닝 및 사용자 정의 메트릭으로 공정성 최적화 ______모델 제약조건 구현____XGBoost에 대한 제약조건______미션 완료______정리______데이터셋 소스______더 읽을거리__13장. 적대적 견고성 ______기술 요구 사항______미션______접근법______준비____라이브러리 로드____데이터 이해 및 준비____CNN 기본 모델 로드____CNN 기본 분류기 평가______우회 공격______전처리를 통한 표적 공격 방어______적대적 학습을 통해 우회 공격으로부터 보호______적대적 견고성 평가 및 인증____모델 견고성과 공격 강도 비교____무작위 평활화로 견고성 인증______미션 완료______정리______데이터 소스______더 읽을거리__14장. 머신러닝 해석 가능성 그다음 단계는? ______ML 해석 가능성의 현재 상황 이해____전체 요약____최신 트렌드____ML 해석 가능성의 미래에 대한 추측____ML의 새로운 비전____종합적인 접근____적절한 표준화____규제 시행____내장된 해석으로 인한 매끄러운 머신러닝 자동화____MLOps 엔지니어와의 긴밀한 통합______더 읽을거리