After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Odkryj moc wyjaśnialnej sztucznej inteligencji
Wyrusz w podróż do fascynującego świata wyjaśnialnej sztucznej inteligencji i odkryj tajemnice stojące za podejmowaniem decyzji przez AI. Idealny dla data scientistów i praktyków ML, ten kurs wyposaży Cię w niezbędne umiejętności interpretowania i wyjaśniania zachowań modeli AI za pomocą Pythona, umożliwiając tworzenie bardziej przejrzystych, godnych zaufania i odpowiedzialnych systemów AI. Opanowując wyjaśnialną sztuczną inteligencję, zwiększysz swoją zdolność do debugowania modeli, spełniania wymogów regulacyjnych i budowania zaufania do aplikacji AI w różnych branżach.Poznaj techniki wyjaśnialności
Zacznij od zrozumienia podejść do wyjaśnialności specyficznych dla modeli. Używaj bibliotek Pythona, takich jak Scikit-learn, aby wizualizować drzewa decyzyjne i analizować wpływ cech w modelach liniowych. Następnie przejdź do technik niezależnych od modelu, które działają w różnych modelach. Korzystaj z narzędzi takich jak SHAP i LIME, aby uzyskać szczegółowy wgląd w ogólne działanie modelu oraz pojedyncze predykcje, doskonaląc umiejętność analizowania i wyjaśniania modeli AI w rzeczywistych zastosowaniach.Zagłęb się w wyjaśnialność
Naucz się oceniać wiarygodność i spójność wyjaśnień, zrozum niuanse wyjaśniania modeli nienadzorowanych i poznaj potencjał wyjaśniania modeli generatywnej AI na praktycznych przykładach. Po ukończeniu kursu będziesz mieć wiedzę i narzędzia, aby pewnie wyjaśniać decyzje modeli AI, zapewniając przejrzystość i wiarygodność swoich aplikacji AI.Wymagania wstępne
Program kursu
Plan kursu
1
Podstawy wyjaśnialnego AI
Rozpocznij naukę od poznania podstawowych pojęć wyjaśnialnego AI. Dowiedz się, jak wyodrębniać reguły decyzyjne z drzew decyzyjnych. Wyznaczaj i wizualizuj ważność cech przy użyciu modeli liniowych i opartych na drzewach, aby zrozumieć, jak modele podejmują decyzje i zwiększyć ich przejrzystość.
- Wprowadzenie do wyjaśnialnej sztucznej inteligencji50 XP
- Drzewa decyzyjne a sieci neuronowe100 XP
- Wyjaśnialność niezależna od modelu a wyjaśnialność specyficzna dla modelu50 XP
- Wyjaśnialność w modelach liniowych50 XP
- Obliczanie wpływu cech za pomocą regresji liniowej100 XP
- Obliczanie wpływu cech za pomocą regresji logistycznej100 XP
- Wyjaśnialność w modelach drzewiastych50 XP
- Obliczanie ważności cech za pomocą drzew decyzyjnych100 XP
- Obliczanie ważności cech przy użyciu lasów losowych100 XP
2
Wyjaśnialność niezależna od modelu
Poznaj techniki wyjaśnialności niezależne od modelu i sprawdź, jak cechy wpływają na różne modele. Wykorzystaj ważność permutacyjną oraz wartości SHAP do analizy zachowania modeli. Zapoznaj się z narzędziami wizualizacji SHAP, które ułatwiają zrozumienie koncepcji wyjaśnialności.
3
Wyjaśnialność lokalna
Zajmij się wyjaśnialnością lokalną i naucz się interpretować pojedyncze predykcje. Poznaj zastosowanie SHAP w wyjaśnialności lokalnej. Opanuj LIME, aby ujawnić czynniki wpływające na konkretne wyniki – w danych tekstowych, tabelarycznych i obrazowych.
4
Zaawansowane zagadnienia wyjaśnialnego AI
Zgłęb zaawansowane zagadnienia wyjaśnialnego AI: analizuj zachowania modeli i skuteczność metod wyjaśniania. Naucz się oceniać spójność i wierność wyjaśnień, analizuj modele nienadzorowane i poznaj sposoby interpretowania procesów rozumowania generatywnych modeli AI, takich jak ChatGPT. Zdobądź techniki mierzenia i poprawy wyjaśnialności w złożonych systemach AI.
Wyjaśnialne AI w Pythonie
Kurs
ukończony
