Met een evolutionaire vooruitgang van Machine Learning ML-algoritmen, een snelle toename van gegevensvolumes en een aanzienlijke verbetering van de rekenkracht, wordt machine learning hot in verschillende toepassingen. Vanwege de aard van blackbox in ML-methoden moet ML echter nog steeds worden geïnterpreteerd om menselijk en machinaal leren te koppelen voor transparantie en gebruikersacceptatie van geleverde oplossingen. Dit bewerkte boek behandelt dergelijke verbanden vanuit het perspectief van visualisatie, uitleg, betrouwbaarheid en transparantie. Het boek legt de link tussen human learning en machine learning door transparantie in machine learning te onderzoeken, visuele uitleg van ML-processen, algoritmische uitleg van ML-modellen, menselijke cognitieve reacties in ML-gebaseerde besluitvorming, menselijke evaluatie van machine learning en domeinkennis in transparante ML-toepassingen. Dit is het eerste boek in zijn soort dat systematisch inzicht geeft in de huidige actieve onderzoeksactiviteiten en -resultaten met betrekking tot human and machine learning. Het boek zal onderzoekers niet alleen inspireren om met passie nieuwe algoritmen te ontwikkelen waarin mens-voor-mensgerichte ML-algoritmen zijn geïntegreerd, wat resulteert in de algehele vooruitgang van ML, maar ook ML-beoefenaars helpen om ML-output proactief te gebruiken voor informatieve en betrouwbare besluitvorming. Dit boek is bedoeld voor onderzoekers en praktijkmensen die zich bezighouden met machine learning en de toepassingen ervan. Het boek zal vooral ten goede komen aan onderzoekers op gebieden als kunstmatige intelligentie, beslissingsondersteunende systemen en mens-computerinteractie.