Интерпретируемое машинное обучение для ответственного ИИ

По мере того, как искусственный интеллект берет на себя принятие важных решений в таких секторах, как финансы и здравоохранение, понимание того, как модели приходят к своим выводам, больше не является необязательным. Этот курс посвящен жизненно важной потребности в прозрачности, выходя за рамки простой точности, чтобы обеспечить, чтобы системы ИИ были справедливыми, надежными и объяснимыми. Вы перейдете от простого создания моделей к их аудиту, приобретя навыки объяснения сложных алгоритмических решений заинтересованным сторонам и обеспечения соответствия этическим стандартам. Через письменные объяснения и примеры на основе кода вы научитесь преодолевать разрыв между технической производительностью и человеческим пониманием. Что вы узнаете: - понимать основополагающий компромисс между сложностью модели и интерпретируемостью - Применять глобальные методы интерпретации, такие, как диаграммы важности признаков и диаграммы частичной зависимости - овладеть методами локального объяснения, включая LIME и SHAP, для обоснования индивидуальных предсказаний - Выявление и смягчение алгоритмических предубеждений для обеспечения этических и справедливых результатов ИИ - Анализировать внутренне интерпретируемые модели, такие как деревья решений и обобщенные линейные модели - Практика оценки надежности модели в условиях высоких ставок посредством структурированного анализа Курс начинается с основных терминов и основных понятий прозрачности, а затем переходит к практическим методам аудита как простых, так и сложных моделей. Вы будете продвигаться через письменные упражнения, которые укрепляют способы применения этих методов к современным рабочим процессам данных. Этот курс предназначен для новичков в области науки о данных и искусственного интеллекта, которые хотят уделять приоритетное внимание этике и ясности; предыдущий опыт аудита моделей не требуется. Начните создавать системы искусственного интеллекта, которым люди могут доверять.