آموزش قابل توضیح Al (XAI) با پایتون

Explainable Al (XAI) with Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: روشی ساده برای یادگیری XAI اهمیت XAI در دنیای مدرن تمایز مدل‌های ML جعبه شیشه‌ای، جعبه سفید و جعبه سیاه طبقه‌بندی XAI بر اساس دامنه، ناشناس بودن، انواع داده‌ها و تکنیک‌های توضیح مبادله بین دقت و تفسیرپذیری کاربرد InterpretML بسته‌ای از مایکروسافت برای تولید توضیحات مدل‌های ML نیاز به توضیحات خلاف واقع و متضاد اصول کار و مدل‌سازی ریاضی تکنیک‌های XAI مانند LIME، SHAP، DiCE، LRP، توضیحات خلاف واقع و متضاد استفاده از تکنیک‌های XAI مانند LIME، SHAP، DiCE، LRP برای تولید توضیحاتی برای مدل های جعبه سیاه برای مجموعه داده های جدولی، متنی و تصویری. ابزار What-if از گوگل برای تجزیه و تحلیل نقاط داده و تولید خلاف واقع پیش نیازها: بدون نیاز به تجربه برنامه نویسی. شما همه چیزهایی را که برای اعمال XAI برای ایجاد توضیحات برای مدل های ML نیاز دارید، یاد خواهید گرفت.

XAI با پایتون

این دوره بینش های دقیقی را در مورد آخرین پیشرفت ها در هوش مصنوعی قابل توضیح (XAI) ارائه می دهد. اتکای ما به مدل‌های هوش مصنوعی روز به روز در حال افزایش است و توضیح اینکه چگونه و چرا هوش مصنوعی یک تصمیم خاص می‌گیرد به همان اندازه مهم می‌شود. قوانین اخیر همچنین باعث فوریت در مورد توضیح و دفاع از تصمیمات اتخاذ شده توسط سیستم های هوش مصنوعی شده است. این دوره درباره ابزارها و تکنیک‌های استفاده از پایتون برای تجسم، توضیح و ساختن سیستم‌های هوش مصنوعی قابل اعتماد بحث می‌کند.

این دوره اصول کار و مدل‌سازی ریاضی LIME (توضیحات محلی قابل تفسیر مدل تشخیصی)، SHAP (توضیحات افزودنی SHapley) را برای تولید توضیحات محلی و جهانی پوشش می‌دهد. این نیاز به توضیحات خلاف واقع و متضاد، اصل کار، و مدل‌سازی ریاضی تکنیک‌های مختلف مانند توضیح‌های متضاد متنوع (DiCE) برای تولید خلاف واقع‌های عملی را مورد بحث قرار می‌دهد.

مفهوم عدالت هوش مصنوعی و ایجاد توضیحات بصری از طریق ابزار What-If Google (WIT) پوشش داده شده است. این دوره تکنیک LRP (Layer-wise Relevance Propagation) را برای ایجاد توضیحات برای شبکه های عصبی پوشش می دهد.

در این دوره آموزشی، با ابزارها و تکنیک های استفاده از پایتون برای تجسم، توضیح و ساختن سیستم های هوش مصنوعی قابل اعتماد آشنا خواهید شد. این دوره مطالعات موردی مختلفی را برای تأکید بر اهمیت تکنیک‌های قابل توضیح در حوزه‌های کاربردی حیاتی پوشش می‌دهد.

همه تکنیک ها از طریق جلسات عملی توضیح داده می شوند تا یادگیرندگان بتوانند به وضوح کد را درک کنند و بتوانند به راحتی آن را در مدل های هوش مصنوعی خود اعمال کنند. مجموعه داده ها و کد مورد استفاده در اجرای تکنیک های مختلف XAI برای تمرین در اختیار زبان آموزان قرار می گیرد.


سرفصل ها و درس ها

مقدمه ای بر XAI Introduction to XAI

  • XAI در عمل XAI in Action

  • نیاز و اهمیت XAI Need and Importance of XAI

  • با طراحی مدل های قابل تفسیر: درخت تصمیم: مدل های جعبه شیشه ای By Design Interpretable Models: Decision Tree: Glass Box Models

  • با طراحی مدل‌های قابل تفسیر: رگرسیون لجستیک: مدل‌های جعبه شیشه‌ای By Design Interpretable Models: Logistic Regression: Glass Box Models

  • مدل های جعبه سیاه: قسمت 1 Black Box Models: Part-1

  • مدل های جعبه سیاه: قسمت 2 Black Box Models: Part-2

  • طبقه بندی XAI XAI Categorization

  • مبانی XAI Basics of XAI

مقدمه ای بر XAI Introduction to XAI

  • XAI در عمل XAI in Action

  • نیاز و اهمیت XAI Need and Importance of XAI

  • با طراحی مدل های قابل تفسیر: درخت تصمیم: مدل های جعبه شیشه ای By Design Interpretable Models: Decision Tree: Glass Box Models

  • با طراحی مدل‌های قابل تفسیر: رگرسیون لجستیک: مدل‌های جعبه شیشه‌ای By Design Interpretable Models: Logistic Regression: Glass Box Models

  • مدل های جعبه سیاه: قسمت 1 Black Box Models: Part-1

  • مدل های جعبه سیاه: قسمت 2 Black Box Models: Part-2

  • طبقه بندی XAI XAI Categorization

  • مبانی XAI Basics of XAI

نمایش مدل های قابل تفسیر با طراحی: جعبه شیشه ای Demonstration of By Design Interpretable Models: Glass Box

  • نمایش مدل های جعبه شیشه ای: قسمت 1 Demonstration of Glass Box Models: Part-1

  • نمایش مدل های جعبه شیشه ای: قسمت 2 Demonstration of Glass Box Models: Part-2

  • نیاز به تقسیم قطار-تست Need for Train-Test Split

  • تکنیک هایی برای متعادل کردن مجموعه داده ها Techniques for Balancing the Dataset

  • کد برای متعادل کردن مجموعه داده Code for Balancing the Dataset

  • معیارهای کیفیت برای طبقه بندی: ماتریس سردرگمی، دقت، یادآوری، امتیاز F1 Quality Metrics for Classification: Confusion Matrix, Precision, Recall, F1Score

  • نسخه ی نمایشی کاوش داده برای مجموعه داده Stroke Demo of Data Exploration for Stroke Dataset

  • بسته InterpretML InterpretML Package

  • دمو برای توضیح مدل رگرسیون لجستیک Demo for Logistic Regression Model Explanation

  • توضیح طبقه‌بندی‌کننده درخت تصمیم نسخه ی نمایشی Demo for Decision Tree Classifier Explanation

  • طبقه بندی تقویت کننده قابل توضیح: اصل کاری Explainable Boosting Classifier: Working Principle

  • نسخه ی نمایشی برای توضیح طبقه بندی کننده تقویت کننده قابل توضیح Demo for Explainable Boosting Classifier Explanaation

  • آزمون نمایش مدل های قابل تفسیر توسط طراحی Quiz on Demonstration of By Design Interpretable models

نمایش مدل های قابل تفسیر با طراحی: جعبه شیشه ای Demonstration of By Design Interpretable Models: Glass Box

  • نمایش مدل های جعبه شیشه ای: قسمت 1 Demonstration of Glass Box Models: Part-1

  • نمایش مدل های جعبه شیشه ای: قسمت 2 Demonstration of Glass Box Models: Part-2

  • نیاز به تقسیم قطار-تست Need for Train-Test Split

  • تکنیک هایی برای متعادل کردن مجموعه داده ها Techniques for Balancing the Dataset

  • کد برای متعادل کردن مجموعه داده Code for Balancing the Dataset

  • معیارهای کیفیت برای طبقه بندی: ماتریس سردرگمی، دقت، یادآوری، امتیاز F1 Quality Metrics for Classification: Confusion Matrix, Precision, Recall, F1Score

  • نسخه ی نمایشی کاوش داده برای مجموعه داده Stroke Demo of Data Exploration for Stroke Dataset

  • بسته InterpretML InterpretML Package

  • دمو برای توضیح مدل رگرسیون لجستیک Demo for Logistic Regression Model Explanation

  • توضیح طبقه‌بندی‌کننده درخت تصمیم نسخه ی نمایشی Demo for Decision Tree Classifier Explanation

  • طبقه بندی تقویت کننده قابل توضیح: اصل کاری Explainable Boosting Classifier: Working Principle

  • نسخه ی نمایشی برای توضیح طبقه بندی کننده تقویت کننده قابل توضیح Demo for Explainable Boosting Classifier Explanaation

  • آزمون نمایش مدل های قابل تفسیر توسط طراحی Quiz on Demonstration of By Design Interpretable models

LIME (توضیحات آگنوستیک مدل قابل تفسیر محلی) LIME (Local Interpretable Model Agnostic Explanations)

  • اصل کاری LIME LIME Working Principle

  • مدلسازی ریاضی آهک: قسمت 1 Mathematical Modelling of LIME: Part-1

  • مدلسازی ریاضی LIME: قسمت 2 Mathematical Modelling of LIME: Part-2

  • نسخه ی نمایشی LIME برای مجموعه داده های Stroke جدولی Demo of LIME for tabular Stroke Dataset

  • نمایش LIME برای مجموعه داده متنی: قسمت-1 LIME Demonstration for textual dataset: Part-1

  • نمایش LIME برای مجموعه داده متنی: قسمت 2 LIME Demonstration for textual dataset: Part-2

  • نمایش LIME برای مجموعه داده متنی: قسمت 3 LIME Demonstration for textual dataset: Part-3

  • امتحان در LIME Quiz on LIME

  • پیاده سازی LIME بر روی داده های متنی چند کلاسه Implementing LIME over multiclass textual data

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

LIME (توضیحات آگنوستیک مدل قابل تفسیر محلی) LIME (Local Interpretable Model Agnostic Explanations)

  • اصل کاری LIME LIME Working Principle

  • مدلسازی ریاضی آهک: قسمت 1 Mathematical Modelling of LIME: Part-1

  • مدلسازی ریاضی LIME: قسمت 2 Mathematical Modelling of LIME: Part-2

  • نسخه ی نمایشی LIME برای مجموعه داده های Stroke جدولی Demo of LIME for tabular Stroke Dataset

  • نمایش LIME برای مجموعه داده متنی: قسمت-1 LIME Demonstration for textual dataset: Part-1

  • نمایش LIME برای مجموعه داده متنی: قسمت 2 LIME Demonstration for textual dataset: Part-2

  • نمایش LIME برای مجموعه داده متنی: قسمت 3 LIME Demonstration for textual dataset: Part-3

  • امتحان در LIME Quiz on LIME

  • پیاده سازی LIME بر روی داده های متنی چند کلاسه Implementing LIME over multiclass textual data

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

SHAP (توضیحات افزودنی SHapley) SHAP (SHapley Additive exPlanations)

  • اصل کاری SHAP SHAP Working Principle

  • مدلسازی ریاضی SHAP: قسمت 1 Mathematical Modelling of SHAP: Part-1

  • مدلسازی ریاضی SHAP: قسمت 2 Mathematical Modelling of SHAP: Part-2

  • مدلسازی ریاضی SHAP: قسمت 3 Mathematical Modelling of SHAP: Part-3

  • نمایش SHAP SHAP Demonstration

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

SHAP (توضیحات افزودنی SHapley) SHAP (SHapley Additive exPlanations)

  • اصل کاری SHAP SHAP Working Principle

  • مدلسازی ریاضی SHAP: قسمت 1 Mathematical Modelling of SHAP: Part-1

  • مدلسازی ریاضی SHAP: قسمت 2 Mathematical Modelling of SHAP: Part-2

  • مدلسازی ریاضی SHAP: قسمت 3 Mathematical Modelling of SHAP: Part-3

  • نمایش SHAP SHAP Demonstration

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

توضیحات خلاف واقع Counterfactual Explanations

  • اصل کار توضیحات متضاد-1 Working Principle of Counterfactual Explanations-1

  • اصل کار تبیین های متضاد Working Principle of Counterfactual Explanations

  • مدلسازی ریاضی تبیین های خلاف واقع Mathematical Modelling of Counterfactual Explanations

  • متضادهای جهانی Global Counterfactuals

  • نسخه ی نمایشی توضیحات خلاف واقع در مجموعه داده های سکته مغزی Demo of Counterfactual Explanations on Stroke Dataset

  • آزمون توضیحات متضاد Quiz on Counterfactual Explanations

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

توضیحات خلاف واقع Counterfactual Explanations

  • اصل کار توضیحات متضاد-1 Working Principle of Counterfactual Explanations-1

  • اصل کار تبیین های متضاد Working Principle of Counterfactual Explanations

  • مدلسازی ریاضی تبیین های خلاف واقع Mathematical Modelling of Counterfactual Explanations

  • متضادهای جهانی Global Counterfactuals

  • نسخه ی نمایشی توضیحات خلاف واقع در مجموعه داده های سکته مغزی Demo of Counterfactual Explanations on Stroke Dataset

  • آزمون توضیحات متضاد Quiz on Counterfactual Explanations

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

ابزار What-if گوگل (WIT) برای عدالت هوش مصنوعی و موارد متضاد Google's What-if Tool (WIT) for AI fairness and Counterfactuals

  • مطالعه موردی-1: نسخه نمایشی ابزار What-if (WIT) Case Study-1: Demo of What-if Tool (WIT)

  • مطالعه موردی-2: نمایش ابزار What-if (WIT) Case Study-2: Demo of What-if Tool (WIT)

  • مطالعه موردی-3: نسخه نمایشی ابزار What-if (WIT) Case Study-3: Demo of What-if Tool (WIT)

  • مطالعه موردی-4: نسخه نمایشی ابزار What-if (WIT) Case Study-4: Demo of What-if Tool (WIT)

  • مطالعه موردی-5: نمایش ابزار What-if (WIT) Case Study-5: Demo of What-if Tool (WIT)

ابزار What-if گوگل (WIT) برای عدالت هوش مصنوعی و موارد متضاد Google's What-if Tool (WIT) for AI fairness and Counterfactuals

  • مطالعه موردی-1: نسخه نمایشی ابزار What-if (WIT) Case Study-1: Demo of What-if Tool (WIT)

  • مطالعه موردی-2: نمایش ابزار What-if (WIT) Case Study-2: Demo of What-if Tool (WIT)

  • مطالعه موردی-3: نسخه نمایشی ابزار What-if (WIT) Case Study-3: Demo of What-if Tool (WIT)

  • مطالعه موردی-4: نسخه نمایشی ابزار What-if (WIT) Case Study-4: Demo of What-if Tool (WIT)

  • مطالعه موردی-5: نمایش ابزار What-if (WIT) Case Study-5: Demo of What-if Tool (WIT)

انتشار ارتباط لایه ای (LRP) Layer-wise Relevance Propagation (LRP)

  • دموهای تعاملی LRP Interaction Demos of LRP

  • اصل کار LRP Working Principle of LRP

  • مدل سازی ریاضی LRP Mathematical Modelling of LRP

  • نسخه ی نمایشی LRP در مجموعه داده های MRI: قسمت-1 Demo of LRP on MRI dataset: Part-1

  • نسخه ی نمایشی LRP در مجموعه داده های MRI: قسمت 2 Demo of LRP on MRI dataset: Part-2

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

انتشار ارتباط لایه ای (LRP) Layer-wise Relevance Propagation (LRP)

  • دموهای تعاملی LRP Interaction Demos of LRP

  • اصل کار LRP Working Principle of LRP

  • مدل سازی ریاضی LRP Mathematical Modelling of LRP

  • نسخه ی نمایشی LRP در مجموعه داده های MRI: قسمت-1 Demo of LRP on MRI dataset: Part-1

  • نسخه ی نمایشی LRP در مجموعه داده های MRI: قسمت 2 Demo of LRP on MRI dataset: Part-2

  • وظایف تمرینی توصیه شده Recommended Practice Tasks

روش تبیین متضاد (CEM) Contrastive Explanations Method (CEM)

  • اصل کار و کاربرد روش تبیین متضاد (CEM) Working Principle and Applications of Contrastive Explanations Method (CEM)

روش تبیین متضاد (CEM) Contrastive Explanations Method (CEM)

  • اصل کار و کاربرد روش تبیین متضاد (CEM) Working Principle and Applications of Contrastive Explanations Method (CEM)

منابع مفید برای XAI Useful Resources for XAI

  • منابع مفید برای XAI Useful Resources for XAI

منابع مفید برای XAI Useful Resources for XAI

  • منابع مفید برای XAI Useful Resources for XAI

امتحان نهایی Final Quiz

  • امتحان در مورد تمام آموخته ها Quiz on all the learnings

امتحان نهایی Final Quiz

  • امتحان در مورد تمام آموخته ها Quiz on all the learnings

سورپرایز پس از اتمام دوره Surprise on Completion of Course

  • هدیه خود را باز کنید Open your gift

سورپرایز پس از اتمام دوره Surprise on Completion of Course

  • هدیه خود را باز کنید Open your gift

منابع دیگر از مربی Other resources from the Instructor

  • سایر دوره های آنلاین از مربی Other online courses from the Instructor

  • کتاب های درسی از استاد Text Books from the Instructor

منابع دیگر از مربی Other resources from the Instructor

  • سایر دوره های آنلاین از مربی Other online courses from the Instructor

  • کتاب های درسی از استاد Text Books from the Instructor

تصدیق Acknowledgement

  • حق شناسی Gratitude

تصدیق Acknowledgement

  • حق شناسی Gratitude

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش قابل توضیح Al (XAI) با پایتون
جزییات دوره
8 hours
56
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,280
4.3 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Parteek Bhatia Parteek Bhatia

پروفسور، CSED، TIET، Patiala، هند