1.4 本书结构及阅读建议

1.本书结构

本书的主要内容分为三部分，如图1-9所示。

图1-9 本书结构及各内容总览

第一部分包括第1章，揭示基于数据驱动的人工智能系统决策机制在理论、应用、监管三方面的不足，并提出了一种基于人机沟通交互场景的可解释AI范式。

第二部分包括第2～5章，介绍各种可解释AI技术方法。其中，第2章介绍贝叶斯网络的三大基本问题和完全贝叶斯方法的主要思想，贝叶斯方法在小样本学习中的典型应用及其在可解释性上的独特优势，还介绍了贝叶斯深度学习这一前沿、活跃的研究领域，以及其中两种代表性方法——深度生成模型和贝叶斯神经网络。第3章介绍如何将因果推理与机器学习相结合，以提升机器学习的可解释性和稳定性。第4章则考察如何通过人机协作的交互方式来构建可解释图模型。第5章深入介绍对深度神经网络的可解释性研究，包括“对神经网络的事后解释”“可解释的神经网络”两个研究方向。

第三部分包括第6～10章，分别介绍可解释人工智能在生物医疗、金融、推荐系统等领域的应用案例，同时结合计算机视觉、自然语言处理等技术，说明可解释性在司法、城市管理、安防、制造等实际应用中发挥的积极作用。此外，本书的附录包括可解释AI相关的开源资源、中英术语对照、索引和全书的参考文献，供读者进一步查阅。

2.阅读建议

本书深入浅出地向读者介绍可解释AI的前沿技术，适合入门阅读（是为导论）。本书适合的读者人群包括计算机及信息处理相关专业高年级本科生、研究生，以及人工智能领域的研究员、学者和高校老师。同时，本书也照顾到关注人工智能应用及其社会影响力的人士，包括政策制定者、法律工作者和社会科学研究人士等。

针对本书不同背景的读者，各章节的阅读顺序和建议的阅读方式如下：对本书所有读者而言，只要有基本的逻辑分析能力，即可对第1章和全书内容有总体上的理解；如果读者是人工智能方向的研究人员和高校相关专业的师生等，拥有人工智能、机器学习和深度神经网络方面的背景知识，以及概率统计、向量空间和矩阵等数理知识，则可以进一步深入学习本书第二部分（如第2章贝叶斯方法和第5章对深度神经网络的解释）；对于不具备相关背景知识的读者，如关注人工智能应用及其社会影响力的人士，则可以在阅读第1章的基础上略过第二部分，直接了解第三部分可解释AI在各个行业的应用（第6～10章），这样本书也不失为一本合适的入门介绍。此外，本书的行业应用部分章节对生物医疗、金融等领域的相关背景也做了简略介绍，使得读者可以在了解应用场景需求的基础上，进一步理解可解释AI在各种场景中如何满足不同解释受众的需求。

[1]智能体泛指人工智能系统，例如机器人、游戏中的非人类玩家（NPC）、无人驾驶车辆和聊天App等。

[2]由于众多抗生素有共同的后缀名-mycin，该系统因此命名为MYCIN。

[3]关于传统机器学习中的可解释模型，请参考本书附录A。