Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Sumber daya


**Referensi**

1. Adadi, Amina dan Mohammed Berrada. 2018. “Mengintip Di Dalam Kotak Hitam: Survei tentang Kecerdasan Buatan yang Dapat Dijelaskan (XAI).” *Akses IEEE 6*: 52138—52160. 

1. Ancona, Marco, Enea Ceolini, Cengiz Oztireli, dan Markus Gross. 2018. “Menuju pemahaman yang lebih baik tentang metode atribusi berbasis gradien untuk Deep Neural Networks.” *Prosiding Konferensi Internasional tentang Representasi Pembelajaran (*ICLR). [arXiv:1711.06104](https://arxiv.org/pdf/1711.06104.pdf).

1. Dhamdhere, Kedar, Mukund Sundararajan, dan Qiqi Yan. 2018. “Seberapa Penting Neuron?” *Prosiding Konferensi Internasional Tiga Puluh Enam tentang Machine Learning* (ICMM). [arXiv](https://arxiv.org/pdf/1805.12233.pdf): 1805.12233.

1. Dua, Dheeru dan Casey Graff. 2019. [Repositori Machine Learning UCI [http://archive.ics.uci.edu/ml].](http://archive.ics.uci.edu/ml) Irvine, CA: Universitas California, Sekolah Informasi dan Ilmu Komputer.

1. Kapishnikov, Andrei, Tolga Bolukbasi, Fernanda Viegas, dan Michael Terry. 2019. “XRAI: Atribusi yang Lebih Baik Melalui Wilayah.” *Prosiding Konferensi Internasional IEEE/CVF tentang Visi Komputer (ICCV): 4948—4957*. [arXiv:1906.02825](https://arxiv.org/pdf/1906.02825.pdf).

1. Kim, Been, Martin Wattenberg, Justin Gilmer, Carrie Cai, James Wexler, Fernanda Viegas, dan Rory Sayres. 2018. “Interpretabilitas Melampaui Atribusi Fitur: Pengujian Kuantitatif dengan Vektor Aktivasi Konsep (TCAV).” [arXiv:1711.11279](https://arxiv.org/pdf/1711.11279.pdf).

1. Lundberg, Scott M., Gabriel G. Erion, dan Su-In Lee. 2019. “Atribusi Fitur Individual yang Konsisten untuk Ansambel Pohon.” [arXiv:1802.03888](https://arxiv.org/pdf/1802.03888.pdf).

1. Lundberg, Scott M. dan Su-In Lee. 2017. “Pendekatan Terpadu untuk Menafsirkan Prediksi Model”. *Kemajuan dalam Sistem Pemrosesan Informasi Saraf (NIPS) 30*. [arXiv:1705.07874](https://arxiv.org/pdf/1705.07874.pdf).

1. Rajpurkar, Pranav, Jian Zhang, Konstantin Lopyrev, dan Percy Liang. 2016. “SQuAD: 100.000\$1 Pertanyaan untuk Pemahaman Mesin Teks.” [arXiv](https://arxiv.org/pdf/1606.05250.pdf): 1606.05250.

1. Ribeiro, Marco T., Sameer Singh, dan Carlos Guestrin. 2016. “Mengapa aku harus mempercayaimu?” : Menjelaskan Prediksi Pengklasifikasi Apa Pun.” *KDD '16: Prosiding Konferensi Internasional ACM SIGKDD ke-22 tentang Penemuan* Pengetahuan dan Penambangan Data: 1135—1144. [arXiv](https://arxiv.org/abs/1602.04938): 1602.04938.

1. Sundararajan, Mukund, Ankur Taly, dan Qiqi Yan. 2017. “Atribusi Aksiomatik untuk Jaringan Dalam.” *Prosiding Konferensi Internasional ke-34 tentang Machine Learning 70*: 3319—3328. [arXiv:1703.01365](https://arxiv.org/pdf/1703.01365.pdf).

**Paket perangkat lunak eksternal**
+ [SHAP: https://github.com/slundberg/ shap](https://github.com/slundberg/shap)
+ [Kaptum: https://captum.ai/](https://captum.ai/)

**Bacaan tambahan**
+ [Amazon SageMaker AI Klarifikasi Penjelasan Model (dokumentasi](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-explainability.html) SageMaker AI)
+ [Repositori Amazon SageMaker AI Clarify](https://github.com/aws/amazon-sagemaker-clarify) () GitHub
+ Molnar, Christoph. [Pembelajaran mesin yang dapat ditafsirkan. Panduan Membuat Model Kotak Hitam Dapat Dijelaskan, 2019](https://christophm.github.io/interpretable-ml-book/).