ＡＩモデルの透明性と解釈可能性、そして説明可能性の追求は、エラーやバイアスを最小限に抑え、予測結果の信頼性・公平性を高め「責任あるＡＩ」を実現するために重要な分野です。本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とＰｙｔｈｏｎによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なＡＩ」に至るための道を示しています。

第１部　解釈可能性の基礎（はじめに
ホワイトボックスモデル）
第２部　モデルの処理の解釈（モデルに依存しない方法：大域的な解釈可能性
モデルに依存しない方法：局所的な解釈可能性
顕著性マップ）
第３部　モデルの表現の解釈（層とユニットを理解する
意味的な類似性を理解する）
第４部　公平性とバイアス（公平性とバイアスの軽減
説明可能なＡＩへの道）
Ａｐｐｅｎｄｉｘ　巻末付録（セットアップを行う
ＰｙＴｏｒｃｈ
日本語版付録　日本語を扱う）