Build your ultimate AI agent
Kursbeskrivning
Upptäck kraften i förklarbar AI
Ge dig ut på en resa in i den fascinerande världen av förklarbar AI och avslöja mysterierna bakom AI:s beslutsfattande. Perfekt för datavetare och ML-utövare ger den här kursen dig de viktigaste färdigheterna för att tolka och förklara AI-modellers beteenden med hjälp av Python, så att du kan bygga mer transparenta, tillförlitliga och ansvarsfulla AI-system. Genom att bemästra förklarbar AI förbättrar du din förmåga att felsöka modeller, uppfylla regulatoriska krav och bygga förtroende för AI-applikationer inom en rad olika branscher.Utforska förklarbarhetstekniker
Börja med att förstå modellspecifika förklarbarhetsmetoder. Använd Pythons bibliotek som Scikit-learn för att visualisera beslutsträd och analysera egenskaps påverkan i linjära modeller. Sedan går du vidare till modelloberoende tekniker som fungerar över olika modeller. Använd verktyg som SHAP och LIME för att ge detaljerade insikter i modellens övergripande beteende och enskilda prediktioner, och förfina din förmåga att analysera och förklara AI-modeller i verkliga tillämpningar.Fördjupa dig i förklarbarhet
Lär dig att bedöma tillförlitligheten och konsekvensen i förklaringar, förstå nyanserna i att förklara oövervakade modeller och utforska potentialen i att förklara generativa AI-modeller genom praktiska exempel. I slutet av kursen kommer du att ha kunskapen och verktygen för att med säkerhet kunna förklara AI-modellers beslut, vilket säkerställer transparens och tillförlitlighet i dina AI-applikationer.Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i förklarbar AI
Börja med att utforska de grundläggande begreppen inom förklarbar AI. Lär dig att extrahera beslutsregler från beslutsträd. Härled och visualisera särdragsvikt med hjälp av linjära modeller och trädbaserade modeller för att förstå hur dessa modeller gör sina prediktioner och möjliggöra ett mer transparent beslutsfattande.
- Introduktion till förklarbar AI50 XP
- Beslutsträd mot neurala nätverk100 XP
- Modell-agnostisk vs. modellspecifik förklarbarhet50 XP
- Förklarbarhet i linjära modeller50 XP
- Beräkna särdragspåverkan med linjär regression100 XP
- Beräkna särdragspåverkan med logistisk regression100 XP
- Förklarbarhet i trädbaserade modeller50 XP
- Beräkna särdragsviktigheter med beslutsträd100 XP
- Beräkna särdragsvikt med random forests100 XP
2
Modell-agnostisk förklarbarhet
Lär dig använda modell-agnostiska tekniker för att analysera särdragsinfluens i olika modeller. Använd permutationsvikt och SHAP-värden för att undersöka hur särdrag påverkar modellbeteende. Utforska SHAP:s visualiseringsverktyg för att göra förklarbarhetsbegrepp mer begripliga.
3
Lokal förklarbarhet
Fördjupa dig i lokal förklarbarhet och lär dig att förklara enskilda prediktioner. Lär dig använda SHAP för lokal förklarbarhet. Bemästra LIME för att identifiera de specifika faktorer som påverkar enstaka utfall – oavsett om det gäller text-, tabell- eller bilddata.
4
Avancerade ämnen inom förklarbar AI
Utforska avancerade ämnen inom förklarbar AI genom att utvärdera modellers beteende och förklaringsmetoders effektivitet. Lär dig bedöma förklaringars konsekvens och trovärdighet, fördjupa dig i analys av oövervakade modeller och lär dig att klargöra resonemangsprocesserna hos generativa AI-modeller som ChatGPT. Skaffa dig tekniker för att mäta och förbättra förklarbarhet i komplexa AI-system.
Förklarbar AI i Python
Kurs
slutförd
