«Interpretable Machine Learning with Python», 2. utgave, gir en grundig innsikt i de essensielle aspektene ved maskinlæringens forståelighet. Boken bruker virkelige data, som hjerte- og karsykdommer og COMPAS-recidivismedata, for å illustrere hvordan man kan bruke ulike verktøy for å bygge mer rettferdige, tryggere og pålitelige modeller. Leserne får muligheten til å utvikle sitt verktøysett for forståelighet gjennom både globale, lokale, modelluavhengige og modelspecifikke metoder. Boken dykker inn i analysen og tolkningen av komplekse modeller, inkludert alt fra konvolusjonsnevrale nettverk (CNN) til BERT-modeller og tidsseriemodeller. I tillegg inkluderer kjøpet av den trykte eller Kindle-utgaven en gratis eBok i PDF-format. Gjennom ulike casestudier, som for eksempel forutsi flyforsinkelser og klassifisering av avfall, lærer leserne hvordan de kan trekke ut innsikter fra avanserte modeller på en tilgjengelig måte.
