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

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.

سرفصل ها

0. مقدمه

01 - کاوش در دنیای هوش مصنوعی قابل توضیح و یادگیری ماشینی قابل تفسیر
02 - مخاطبان هدف
03 - آنچه باید بدانید

1. XAI و IML چیست؟

04 - درک آنچه و چرا مدل های شما پیش بینی می کنند
05 - اهمیت متغیر و کدهای دلیل
06 - مقایسه IML و XAI
07 - روندهایی در هوش مصنوعی که مشکل XAI را برجسته تر می کند
08 - توضیحات محلی و جهانی
09 - XAI برای اشکال زدایی مدل ها
10 - پشتیبانی KNIME از توضیحات جهانی و محلی

2. چرا جداسازی مشارکت یک متغیر دشوار است؟

11 - چالش های انتساب متغیر با رگرسیون خطی
12 - چالش های انتساب متغیر با شبکه های عصبی
13 - اثر راشومون

3. جعبه سیاه مدل 101

14 - آنچه به عنوان جعبه سیاه واجد شرایط است
15 - چرا مدل های جعبه سیاه داریم
16 - میزان دقت تفسیرپذیری چیست
17 - استدلال علیه XAI

4. مقدمه ای بر KNIME برای XAI و IML

18 - معرفی KNIME
19 - مدل سازی ساختمان در KNIME
20 - درک حلقه زدن در KNIME
21 - از کجا می توان پشتیبانی KNIME موجود برای XAI را پیدا کرد

5. تکنیک های XAI - توضیحات جهانی

22 - ارائه توضیحات کلی با نمودارهای وابستگی جزئی
23 - استفاده از مدل های جایگزین برای توضیحات جهانی
24 - توسعه و تفسیر مدل جایگزین با KNIME
25 - اهمیت ویژگی جایگشت
26 - نسخه نمایشی اهمیت ویژگی جهانی

6. تکنیک برای توضیح محلی

27 - ایجاد شهود برای ارزش های Shapley
28 - معرفی SHAP
29 - استفاده از LIME برای ارائه توضیحات محلی برای شبکه های عصبی
30 - خلاف واقع چیست
31 - گره نمای توضیحات محلی KNIME
32 - نمایش گره XAI که KNIME را نشان می دهد

7. تکنیک های IML

33 - توصیه های کلی برای IML بهتر
34 - چرا مهندسی ویژگی برای IML حیاتی است
35 - CORELS و روندهای اخیر

نتیجه

36 - ادامه کاوش XAI