دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر

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

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.

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
۸۰,۰۰۰ تومان