یادگیری ماشین و پایه های AI: تولید AI قابل توضیح AI (Xai) و راه حل های یادگیری ماشین قابل تفسیر

دانشمندان داده ها و متخصصان آموزش ماشین باید با آخرین تکنیک ها و رویکردهای این زمینه بایستند. در این دوره، مربی Keith McCormick به شما نشان می دهد که چگونه به تولید AI قابل توضیح AI (Xai) و تفسیر ماشین یادگیری (IML) راه حل. چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش است. کاوش روش های موجود و تکنیک های مشترک XAI و IML، و همچنین زمانی و نحوه استفاده از هر کدام. کیت شما را از طریق چالش ها و فرصت های مدل های جعبه سیاه به شما می دهد، به شما نشان می دهد که چگونه شفافیت را به مدل های خود و استفاده از نمونه های دنیای واقعی که ترفندهای تجارت را بر روی پلت فرم تجزیه و تحلیل آسان برای یادگیری، باز کردن منبع باز می کند، نشان می دهد. در پایان این دوره، شما درک بهتر تکنیک های XAI و IML برای هر دو توضیحات جهانی و محلی خواهید داشت.

عنوان اصلی : Machine Learning and AI Foundations: Producing Explainable AI (XAI) and Interpretable Machine Learning Solutions

سرفصل های دوره :

مقدمه:
بررسی دنیای AI قابل توضیح و یادگیری قابل تفسیر ماشین
مخاطب هدف
آنچه شما باید بدانید
1. XAI و IML چیست؟ :
درک آنچه و چرا مدل های شما پیش بینی می کنند
متغیر اهمیت و دلایل
مقایسه IML و XAI
روند در AI ساخت مشکل XAI بیشتر برجسته است
توضیحات محلی و جهانی
Xai برای مدل های اشکال زدایی
پشتیبانی Knime از توضیحات جهانی و محلی
2. چرا جداسازی یک مشارکت متغیر دشوار است:
چالش های متغیر متغیر با رگرسیون خطی
چالش های متغیر متغیر با شبکه های عصبی
اثر Rashomon
3. مدل جعبه سیاه 101:
چه چیزی به عنوان جعبه سیاه واجد شرایط است؟
چرا ما مدل های جعبه سیاه داریم؟
اطلاعات تفسیری دقت چیست؟
استدلال علیه Xai
4. مقدمه ای بر Knime برای XAI و IML:
معرفی Knime
مدل های ساختمانی در Knime
درک حلقه در Knime
کجا برای پیدا کردن پشتیبانی Knime در دسترس برای Xai
5. تکنیک های Xai: توضیحات جهانی:
ارائه توضیحات جهانی با توطئه های جزئی وابستگی
استفاده از مدل های جایگزین برای توضیحات جهانی
توسعه و تفسیر یک مدل جایگزین با Knime
قابلیت جایگزینی اهمیت
جهانی اهمیت جهانی
6. تکنیک های توضیحات محلی:
توسعه یک شهود برای مقادیر شپلی
معرفی شکل
با استفاده از آهک برای ارائه توضیحات محلی برای شبکه های عصبی
Counterfactuals چیست؟
Knime's Local Selection Node
Node نمایشگاه Xai نشان دادن Knime
7. تکنیک های IML:
مشاوره عمومی برای IML بهتر
چرا مهندسی ویژگی برای IML حیاتی است
Corels و روند اخیر
نتیجه گیری:
ادامه دادن به کشف Xai