Con un progresso evolutivo degli algoritmi di Machine Learning ML, un rapido aumento dei volumi di dati e un significativo miglioramento delle potenze di calcolo, l'apprendimento automatico diventa caldo in diverse applicazioni. Tuttavia, a causa della natura della scatola nera nei metodi di ML, il ML deve ancora essere interpretato per collegare l'apprendimento umano e quello automatico per garantire la trasparenza e l'accettazione da parte degli utenti delle soluzioni fornite. Questo libro affronta tali collegamenti dal punto di vista della visualizzazione, della spiegazione, dell'affidabilità e della trasparenza. Il libro stabilisce il legame tra l'apprendimento umano e quello automatico esplorando la trasparenza nell'apprendimento automatico, la spiegazione visiva dei processi di ML, la spiegazione algoritmica dei modelli di ML, le risposte cognitive umane nel processo decisionale basato sul ML, la valutazione umana dell'apprendimento automatico e la conoscenza del dominio nelle applicazioni di ML trasparenti. Questo è il primo libro del suo genere a comprendere sistematicamente le attuali attività di ricerca attive e i risultati relativi all'apprendimento umano e automatico. Il libro non solo ispirerà i ricercatori a sviluppare con passione nuovi algoritmi che incorporano algoritmi di ML incentrati sull'uomo per il progresso generale del ML, ma aiuterà anche i professionisti del ML a utilizzare in modo proattivo gli output del ML per un processo decisionale informativo e affidabile. Questo libro è destinato a ricercatori e professionisti coinvolti nell'apprendimento automatico e nelle sue applicazioni. Il libro andrà a beneficio in particolare ai ricercatori in settori come l'intelligenza artificiale, i sistemi di supporto alle decisioni e l'interazione uomo-computer.