After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Відкрийте для себе силу пояснюваного ШІ
Почніть подорож у захопливий світ пояснюваного ШІ та розкрийте таємниці, що стоять за ухваленням рішень ШІ. Ідеально підходить для data scientists і ML-практиків, цей курс надає вам необхідні навички для інтерпретації та пояснення поведінки AI-моделей за допомогою Python, даючи змогу створювати більш прозорі, надійні та підзвітні AI-системи. Опанувавши пояснюваний ШІ, ви зможете краще налагоджувати моделі, відповідати регуляторним вимогам і впевненіше впроваджувати ШІ-рішення в різних галузях.Досліджуйте методи пояснюваності
Почніть із розуміння підходів до пояснюваності, специфічних для моделей. Використовуйте бібліотеки Python, такі як Scikit-learn, щоб візуалізувати дерева рішень і аналізувати вплив ознак у лінійних моделях. Потім переходьте до модельно-агностичних технік, які працюють у різних моделях. Використовуйте такі інструменти, як SHAP і LIME, щоб отримувати детальні уявлення про загальну поведінку моделі та окремі прогнози, удосконалюючи вашу здатність аналізувати й пояснювати моделі ШІ в реальних застосуваннях.Пориньте глибше в пояснюваність
Навчіться оцінювати надійність і узгодженість пояснень, розуміти нюанси пояснення моделей без нагляду та досліджувати потенціал пояснення генеративних моделей ШІ на практичних прикладах. Після завершення курсу ви матимете знання та інструменти, щоб упевнено пояснювати рішення AI-моделей, забезпечуючи прозорість і надійність у ваших AI-застосунках.Попередні вимоги
Навчальний план
Зміст курсу
1
Основи пояснюваного ШІ
Почніть із вивчення базових понять пояснюваного ШІ. Дізнайтеся, як отримувати правила прийняття рішень із дерев рішень. Обчислюйте та візуалізуйте важливість ознак у лінійних і деревоподібних моделях, щоб зрозуміти, як ці моделі роблять передбачення, і таким чином забезпечити прозоріше ухвалення рішень.
- Вступ до пояснюваного ШІ50 XP
- Дерева рішень проти нейронних мереж100 XP
- Пояснюваність: незалежна від моделі vs. специфічна для моделі50 XP
- Пояснюваність у лінійних моделях50 XP
- Обчислення впливу ознак за допомогою лінійної регресії100 XP
- Обчислення впливу ознак у логістичній регресії100 XP
- Пояснюваність у моделях на деревах рішень50 XP
- Обчислення важливості ознак у деревах рішень100 XP
- Обчислення важливості ознак у random forests100 XP
2
Модельно-незалежна пояснюваність
Розкрийте можливості модельно-незалежних методів, щоб визначати вплив ознак у різних моделях. Застосовуйте перестановкову важливість і значення SHAP для аналізу того, як ознаки впливають на поведінку моделі. Досліджуйте інструменти візуалізації SHAP, щоб зробити концепції пояснюваності наочнішими.
3
Локальна пояснюваність
Зануртеся в локальну пояснюваність і пояснюйте окремі передбачення. Навчіться використовувати SHAP для локальної пояснюваності. Опануйте LIME, щоб виявляти конкретні чинники, які впливають на одиничні результати, працюючи з текстовими, табличними чи зображувальними даними.
4
Просунуті теми з пояснюваного ШІ
Дослідіть просунуті теми пояснюваного ШІ, оцінюючи поведінку моделей і ефективність методів пояснення. Опanuйте оцінювання узгодженості та достовірності пояснень, зануртеся в аналіз моделей без учителя та навчіться прояснювати міркування генеративних моделей ШІ, як-от ChatGPT. Оволодійте методами вимірювання й підвищення пояснюваності в складних системах ШІ.
Пояснюваний ШІ в Python
Курс
завершено
