Interpretowalne uczenie maszynowe dla odpowiedzialnej sztucznej inteligencji

Ponieważ sztuczna inteligencja przejmuje kluczowe decyzje w sektorach takich jak finanse i opieka zdrowotna, zrozumienie, w jaki sposób modele dochodzą do swoich wniosków, nie jest już opcjonalne.Ten kurs dotyczy istotnej potrzeby przejrzystości, wykraczającej poza prostą dokładność, aby zapewnić, że systemy AI są sprawiedliwe, niezawodne i wyjaśnialne. Przejdziesz od prostego budowania modeli do ich audytu, zdobywając umiejętności wyjaśniania złożonych decyzji algorytmicznych interesariuszom i zapewniając zgodność ze standardami etycznymi.Dzięki pisemnym wyjaśnieniom i przykładom opartym na kodzie nauczysz się wypełniać lukę między wydajnością techniczną a ludzkim zrozumieniem. Czego się nauczysz: - Zrozum podstawowy kompromis między złożonością modelu a interpretacją - Zastosuj globalne metody interpretacji, takie jak znaczenie cech i częściowe wykresy zależności - Opanuj lokalne techniki wyjaśniania, w tym LIME i SHAP, aby uzasadnić indywidualne prognozy - Zidentyfikuj i złagodź uprzedzenia algorytmiczne, aby zapewnić etyczne i sprawiedliwe wyniki AI - Analizuj wewnętrznie interpretowane modele, takie jak drzewa decyzyjne i uogólnione modele liniowe - Ćwicz ocenę niezawodności modelu w środowiskach o wysokiej stawce poprzez analizę strukturalną Kurs rozpoczyna się od podstawowej terminologii i podstawowych pojęć przejrzystości, zanim przejdziemy do praktycznych technik audytu zarówno prostych, jak i złożonych modeli.Będziesz postępować poprzez ćwiczenia pisemne, które wzmacniają sposób stosowania tych metod do nowoczesnych przepływów pracy danych. Ten kurs jest przeznaczony dla początkujących w dziedzinie nauki o danych i AI, którzy chcą priorytetowo traktować etykę i przejrzystość; nie jest wymagane wcześniejsze doświadczenie z audytem modelu.