دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر
2 ساعت 10 دقیقهمتوسط2022-02-17
مدرسین

Keith McCormick
Data Miner, Trainer, Speaker, Author
جزئیات دوره
دانشمندان داده و متخصصان یادگیری ماشین باید با آخرین تکنیک ها و رویکردها در این زمینه همگام بمانند. در این دوره، مربی کیت مک کورمیک به شما نشان می دهد که چگونه راه حل های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشینی قابل تفسیر (IML) را تولید کنید.
بیاموزید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش بوده است. روشهای موجود و تکنیکهای رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالشها و فرصتهای مدلهای جعبه سیاه راهنمایی میکند و به شما نشان میدهد که چگونه شفافیت را به مدلهای خود بیاورید و از نمونههای واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان میدهند. در پایان این دوره، درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.
بیاموزید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش بوده است. روشهای موجود و تکنیکهای رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالشها و فرصتهای مدلهای جعبه سیاه راهنمایی میکند و به شما نشان میدهد که چگونه شفافیت را به مدلهای خود بیاورید و از نمونههای واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان میدهند. در پایان این دوره، درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.
مهارت ها
KNIMEMachine LearningArtificial Intelligence FoundationsFoundationsArtificial Intelligence (AI)
سرفصل ها
مقدمه
- کاوش در دنیای هوش مصنوعی قابل توضیح و یادگیری ماشینی قابل تفسیر
- مخاطبان هدف
- آنچه باید بدانید
XAI و IML چیست؟
- درک آنچه و چرا مدل های شما پیش بینی می کنند
- اهمیت متغیر و کدهای دلیل
- مقایسه IML و XAI
- روندهایی در هوش مصنوعی که مشکل XAI را برجسته تر می کند
- توضیحات محلی و جهانی
- XAI برای اشکال زدایی مدل ها
- پشتیبانی KNIME از توضیحات جهانی و محلی
چرا جداسازی مشارکت یک متغیر دشوار است؟
- چالش های انتساب متغیر با رگرسیون خطی
- چالش های انتساب متغیر با شبکه های عصبی
- اثر راشومون
جعبه سیاه مدل 101
- آنچه به عنوان جعبه سیاه واجد شرایط است
- چرا مدل های جعبه سیاه داریم
- میزان دقت تفسیرپذیری چیست
- استدلال علیه XAI
مقدمه ای بر KNIME برای XAI و IML
- معرفی KNIME
- مدل سازی ساختمان در KNIME
- درک حلقه زدن در KNIME
- از کجا می توان پشتیبانی KNIME موجود برای XAI را پیدا کرد
تکنیک های XAI - توضیحات جهانی
- ارائه توضیحات کلی با نمودارهای وابستگی جزئی
- استفاده از مدل های جایگزین برای توضیحات جهانی
- توسعه و تفسیر مدل جایگزین با KNIME
- اهمیت ویژگی جایگشت
- نسخه نمایشی اهمیت ویژگی جهانی
تکنیک برای توضیح محلی
- ایجاد شهود برای ارزش های Shapley
- معرفی SHAP
- استفاده از LIME برای ارائه توضیحات محلی برای شبکه های عصبی
- خلاف واقع چیست
- گره نمای توضیحات محلی KNIME
- نمایش گره XAI که KNIME را نشان می دهد
تکنیک های IML
- توصیه های کلی برای IML بهتر
- چرا مهندسی ویژگی برای IML حیاتی است
- CORELS و روندهای اخیر
نتیجه
- ادامه کاوش XAI