План на курса

Въведение в обяснимия AI

  • Какво е обясним AI (XAI)?
  • Значението на прозрачността в AI моделите
  • Ключови предизвикателства при интерпретируемостта на AI

Основни XAI техники

  • Моделно-агностични методи: LIME, SHAP
  • Специфични за модела методи за обяснение
  • Обясняване на решенията, взети от модели на черна кутия

Практически с XAI инструменти

  • Въведение в XAI библиотеките с отворен код
  • Внедряване на XAI в прости модели за машинно обучение
  • Визуализиране на обяснения и моделиране на поведение

Предизвикателства в обяснимостта

  • Компромиси между точност и интерпретируемост
  • Ограничения на настоящите XAI методи
  • Боравене с пристрастия и справедливост в обясними модели

Етични съображения в XAI

  • Разбиране на етичните последици от прозрачността на ИИ
  • Балансиране на обяснимостта с производителността на модела
  • Проблеми с поверителността и защитата на данните в XAI

Реални приложения на XAI

  • XAI в здравеопазването, финансите и правоприлагането
  • Нормативни изисквания за обяснимост
  • Изграждане на доверие в AI системите чрез прозрачност

Разширени XAI концепции

  • Проучване на съпоставителни обяснения
  • Обяснение на невронни мрежи и модели за дълбоко обучение
  • Интерпретиране на сложни AI системи

Бъдещи тенденции в обяснимия AI

  • Нововъзникващи техники в изследванията на XAI
  • Предизвикателства и възможности за бъдеща прозрачност на ИИ
  • Въздействие на XAI върху отговорното развитие на ИИ

Обобщение и следващи стъпки

Изисквания

  • Основно разбиране на концепциите за машинно обучение
  • Познаване на Python програмиране

Публика

  • Начинаещи AI
  • Ентусиасти на науката за данни
 14 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории