Avec une avancée évolutive de l’apprentissage automatique, des algorithmes de ML, une augmentation rapide des volumes de données et une amélioration significative des puissances de calcul, l’apprentissage automatique devient chaud dans différentes applications. Cependant, en raison de la nature de la boîte noire dans les méthodes de ML, le ML doit toujours être interprété pour lier l’apprentissage humain et l’apprentissage automatique pour la transparence et l’acceptation par l’utilisateur des solutions livrées. Cet ouvrage aborde ces liens du point de vue de la visualisation, de l’explication, de la fiabilité et de la transparence. Le livre établit le lien entre l’apprentissage humain et l’apprentissage automatique en explorant la transparence dans l’apprentissage automatique, l’explication visuelle des processus de ML, l’explication algorithmique des modèles de ML, les réponses cognitives humaines dans la prise de décision basée sur le ML, l’évaluation humaine de l’apprentissage automatique et la connaissance du domaine dans les applications de ML transparentes. Il s’agit du premier livre du genre à comprendre systématiquement les activités de recherche actives actuelles et les résultats liés à l’apprentissage humain et automatique. Le livre inspirera non seulement les chercheurs à développer passionnément de nouveaux algorithmes intégrant des algorithmes d’apprentissage automatique centrés sur l’humain pour l’humain, ce qui permettra de faire progresser l’apprentissage automatique, mais aidera également les praticiens de l’apprentissage automatique à utiliser de manière proactive les résultats de l’apprentissage automatique pour une prise de décision informative et fiable. Cet ouvrage s’adresse aux chercheurs et aux praticiens impliqués dans l’apprentissage automatique et ses applications. Le livre profitera particulièrement aux chercheurs dans des domaines tels que l’intelligence artificielle, les systèmes d’aide à la décision et l’interaction homme-machine.