План на курса

Въведение в обяснимия AI (XAI) и прозрачността на модела

  • Какво е обясним AI?
  • Защо прозрачността има значение в AI системите
  • Интерпретируемост срещу производителност в AI модели

Преглед на XAI техниките

  • Моделно-агностични методи: SHAP, LIME
  • Специфични за модела техники за обяснение
  • Обяснение на невронни мрежи и модели за дълбоко обучение

Изграждане на прозрачни AI модели

  • Прилагане на интерпретируеми модели на практика
  • Сравняване на прозрачни модели с модели на черна кутия
  • Балансиране на сложността с обяснимостта

Разширени XAI инструменти и библиотеки

  • Използване на SHAP за интерпретация на модела
  • Използване на LIME за локална обяснимост
  • Визуализация на моделни решения и поведения

Справяне с справедливостта, пристрастието и етичния AI

  • Идентифициране и смекчаване на пристрастия в AI модели
  • Справедливостта в ИИ и нейното въздействие върху обществото
  • Гарантиране на отчетност и етика при внедряването на AI

Реални приложения на XAI

  • Казуси в здравеопазването, финансите и правителството
  • Интерпретиране на AI модели за съответствие с нормативните изисквания
  • Изграждане на доверие с прозрачни AI системи

Бъдещи насоки в обясним AI

  • Новопоявили се изследвания в XAI
  • Предизвикателства при мащабирането на XAI за широкомащабни системи
  • Възможности за бъдещето на прозрачния AI

Обобщение и следващи стъпки

Изисквания

  • Опит в машинното обучение и разработването на AI модели
  • Познаване на Python програмиране

Публика

  • Учени по данни
  • Инженери за машинно обучение
  • AI специалисти
 21 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории