دوره آموزشی حسابرسی هوش مصنوعی کاربردی در پایتون
1 ساعت 5 دقیقهمتوسط2024-07-23
مدرسین

Ayodele Odubela
Data Scientist and AI Ethicist
جزئیات دوره
مقررات هوش مصنوعی وارد شده است، و در حالی که گامهای بلندپایهای در جهت عملیاتی کردن اصول هوش مصنوعی وجود دارد، شاغلان باید از روش حسابرسی سیستمهای هوش مصنوعی برای برآورده کردن استانداردهای انطباق و شفافیت استفاده کنند. این دوره، دانشمندان داده و مهندسان یادگیری ماشین را از طریق فرآیند فنی ممیزی یک سیستم هوش مصنوعی، گام به گام راهنمایی می کند. این دوره آموزشی عملی و فنی است که به شما نشان میدهد چگونه بیعدالتیها و نابرابریها را برای کشف سوگیری و توسعه سیستمهای هوش مصنوعی منصفانهتر تعیین کنید. مربی Ayodele Odubela نحوه برنامه ریزی، اجرا و گزارش در مورد ممیزی های هوش مصنوعی را توضیح می دهد. تفاوت بین حسابرسی داده ها و الگوریتم ها، چارچوب هایی برای ممیزی های مقیاس پذیر، و چگونگی نقش زمینه و سوگیری تاریخی در ارائه توصیه های فنی را بیاموزید.
اهداف آموزشی
نحوه ممیزی سیستم های هوش مصنوعی با ریسک بالا و کم را بیاموزید
داده های معیار را برای حسابرسی جمع آوری، طراحی و مدیریت کنید
محاسبه و انجام تجزیه و تحلیل نابرابری
عادلانه بودن مدل را با بسته Fairlearn Python تعیین کنید
تصمیم بگیرید که از کدام معیار انصاف استفاده کنید
توصیه های فنی را پس از ممیزی ارائه دهید
اهداف آموزشی
نحوه ممیزی سیستم های هوش مصنوعی با ریسک بالا و کم را بیاموزید
داده های معیار را برای حسابرسی جمع آوری، طراحی و مدیریت کنید
محاسبه و انجام تجزیه و تحلیل نابرابری
عادلانه بودن مدل را با بسته Fairlearn Python تعیین کنید
تصمیم بگیرید که از کدام معیار انصاف استفاده کنید
توصیه های فنی را پس از ممیزی ارائه دهید
مهارت ها
Responsible AIPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - با هوش مصنوعی مسئولیت پذیر باشید - حسابرسی سیستمهای هوش مصنوعی در پایتون
- 02 - آنچه باید بدانید
- 03 - استفاده از فایلهای تمرین و مجموعه داده ها
1. مقدمه ای بر حسابرسی هوش مصنوعی کاربردی
- 04 - حسابرسی هوش مصنوعی برای انطباق و انصاف
- 05 - ذینفعان حسابرسی هوش مصنوعی
- 06 - انصاف و انطباق محلی
2. حسابرسی داده ها
- 07 - نحوه جمعآوری مجموعه دادههای معیار
- 08 - جمعآوری دادههای اخلاقی و فراگیر
- 09 - یک مجموعه داده را برای نمایش کاوش کنید
- 10 - نمونه حسابرسی داده ها
- 11 - چالش - حسابرسی یک مجموعه داده
- 12 - راه حل - روشهای افزایش بازنمایی در داده ها
3. AI مدل حسابرسی
- 13 - ابزارهایی برای ممیزی هوش مصنوعی
- 14 - تعیین محدوده یک ممیزی هوش مصنوعی
- 15 - تنظیم مدل ممیزی
- 16 - طبقه بندی کننده خود را از نظر انصاف حسابرسی کنید
- 17 - چالش - حسابرسی طبقه بندی کننده
- 18 - راه حل - حسابرسی یک طبقه بندی
4. حسابرسی سیستم و تجزیهوتحلیل خطا
- 19 - تیم قرمز
- 20 - تجزیهوتحلیل خطا
- 21 - چالش - تحلیل خطا
- 22 - راه حل - تحلیل خطا
5. مصنوعات حسابرسی
- 23 - ارائه توصیههای حسابرسی
- 24 - به اشتراک گذاشتن نتایج حسابرسی و افزایش پاسخگویی
- 25 - توسل الگوریتمی
- 26 - فایل تاریخچه طراحی الگوریتمی
نتیجه
- 27 - ممنون که تماشا کردید
دوره های مرتبط
- دوره آموزشی مبانی هوش مصنوعی مسئولانه
- دوره آموزشی مسئولیتپذیری در هوش مصنوعی: ساخت سیستمهای مسئولانه و شفاف
- دوره آموزشی عدالت دادهای: تضمین نمایندگی عادلانه در مجموعه دادههای هوش مصنوعی
- دوره آموزشی ضرورت عدالت در هوش مصنوعی: ساخت آیندهای فراگیرتر با کمک هوش مصنوعی
- دوره آموزشی ساخت هوش مصنوعی قابل اعتماد در دولت: نوآوری مسئولانه و تاثیرگذار
- دوره آموزشی مقدمهای بر اخلاق و ایمنی هوش مصنوعی
- دوره آموزشی هوش مصنوعی آزور برای توسعهدهندگان: ایمنی محتوا و هوش مصنوعی مسئولانه
- دوره آموزشی هوش مصنوعی اخلاقی برای استخدام و جذب استعدادها