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.
پروفسور، CSED، TIET، Patiala، هند
نمایش نظرات