Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
در حال بارگزاری، لطفا صبر کنید...
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
نمایش نظرات