لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش حسابرسی کاربردی هوش مصنوعی با پایتون
- آخرین آپدیت
دانلود Applied AI Auditing in Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
مقررات هوش مصنوعی فرا رسید و در حالی که گامهای بزرگی در جهت عملیاتی کردن اصول AI برداشته شده است، متخصصان باید روشهای حسابرسی سیستمهای هوش مصنوعی را برای رعایت استانداردهای شفافیت و انطباق قانونی به کار گیرند. این دوره آموزشی، دانشمندان داده و مهندسان یادگیری ماشین را گامبهگام با فرآیندهای فنی حسابرسی یک سیستم AI آشنا میکند. این یک دوره کاملاً عملی و فنی است که به شما میآموزد چگونه نابرابریها و تفاوتها را برای شناسایی سوگیریها (Bias) کمیسازی کرده و سیستمهای عادلانهتری توسعه دهید. مدرس دوره، Ayodele Odubela، نحوه برنامهریزی، اجرا و گزارشدهی حسابرسیهای AI را توضیح میدهد. در این دوره تفاوت بین حسابرسی دادهها و الگوریتمها، چارچوبهای حسابرسی مقیاسپذیر و نقش بافتار (Context) و سوگیریهای تاریخی در ارائه توصیههای فنی را خواهید آموخت.
سرفصل ها و درس ها
مقدمه
Introduction
استفاده از فایلهای تمرینی و مجموعهدادهها
Using the exercise files and datasets
پیشنیازها و دانستنیها
What you should know
مسئولیتپذیری در AI: حسابرسی سیستمهای هوش مصنوعی با پایتون
Get responsible with AI: Auditing AI systems in Python
1. آشنایی با حسابرسی کاربردی هوش مصنوعی
1. Introduction to Applied AI Auditing
ذینفعان حسابرسی هوش مصنوعی
AI audit stakeholders
عدالت محلی و انطباق قانونی
Localized fairness and compliance
حسابرسی AI برای انطباق و عدالت
AI auditing for compliance and fairness
2. حسابرسی دادهها
2. Data Auditing
راهکار: روشهای افزایش بازنمایی در دادهها
Solution: Methods for increasing representation in data
بررسی یک مجموعهداده از نظر بازنمایی
Explore a dataset for representation
نحوه جمعآوری مجموعهدادههای معیار (Benchmark)
How to collect benchmark datasets
چالش: حسابرسی یک مجموعهداده
Challenge: Audit a dataset
جمعآوری دادههای اخلاقی و فراگیر
Ethical and inclusive data collection
مثال عملی حسابرسی دادهها
Data auditing example
3. حسابرسی مدل هوش مصنوعی
3. AI Model Auditing
تعیین محدوده حسابرسی هوش مصنوعی
Scoping an AI audit
چالش: حسابرسی یک طبقهبندیکننده (Classifier)
Challenge: Audit a classifier
بررسی عدالت در طبقهبندیکننده شما
Audit your classifier for fairness
راهکار: حسابرسی یک طبقهبندیکننده
Solution: Audit a classifier
ابزارهای حسابرسی هوش مصنوعی
Tools for AI audits
راهاندازی حسابرسی مدل
Model audit setup
4. حسابرسی سیستم و تحلیل خطا
4. System Audits and Error Analysis
تحلیل خطا
Error analysis
تیم قرمز (Red Teaming)
Red teaming
چالش: تحلیل خطا
Challenge: Error analysis
راهکار: تحلیل خطا
Solution: Error analysis
5. مستندات و آثار حسابرسی
5. Audit Artifacts
راهکارهای جبرانی الگوریتمی
Algorithmic recourse
فایل تاریخچه طراحی الگوریتم
Algorithmic design history file
اشتراکگذاری نتایج حسابرسی و افزایش پاسخگویی
Sharing audit results and increasing accountability
ارائه توصیههای حسابرسی
Making audit recommendations
Ayodele Odubela یک دانشمند داده و متخصص اخلاق هوش مصنوعی است.
Ayodele معتقد به استفاده از فناوری برای بهبود زندگی افراد حاشیهنشین است. او پس از فارغ التحصیلی از دانشگاه پیتسبورگ با مدرک رسانه های دیجیتال و ارتباطات، برای آژانس های بازاریابی، شرکت های اپلیکیشن و ناشران آنلاین کار کرد و پیش از گرفتن مدرک کارشناسی ارشد خود در علوم داده از دانشگاه رجیس. از آن زمان، او بر یافتن راهحلهایی برای سوگیری در علم داده، از جمله یافتن راههایی برای شناسایی و کاهش آسیبهای سوگیری کدگذاریشده در الگوریتمها، و کار بر روی کتابی درباره نحوه شناسایی و مقابله با سوگیری در مدلهای یادگیری ماشین تمرکز کرده است. Ayodele در حال حاضر به عنوان یک دانشمند داده در SambaSafety، ارائه دهنده مدیریت ریسک تحرک مبتنی بر ابر برای رانندگان، کار می کند.
نمایش نظرات