لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش روشهای توضیحپذیری و ارزیابی مدلهای هوش مصنوعی
- آخرین آپدیت
دانلود Explainability Methods & Evaluation
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به بررسی تکنیکهای پیشرفته هوش مصنوعی توضیحپذیر (XAI) برای تفسیر و اعتبارسنجی رفتار مدلهای یادگیری ماشین میپردازد. تمرکز این دوره بر متدهایی است که فراتر از اهمیت ساده ویژگیها رفته و بینشهای مبتنی بر ریاضیات را برای درک مدلهای جعبهسیاه (Black-Box) ارائه میدهند.
شما از طریق درسهای ساختاریافته و نمایشهای کاربردی، خواهید آموخت که چگونه تئوری شاپلی (Shapley theory) زیربنای تخصیص عادلانه ویژگیهاست، متدهای SHAP چگونه توضیحات محلی و جهانی تولید میکنند و رویکردهای جایگزین (Surrogate) و مبتنی بر قانون چگونه رفتار مدل را تقریب میزنند. همچنین با توضیحات متقابل (Counterfactual) و تقابلی (Contrastive) کار خواهید کرد و یاد میگیرید چگونه جایگزینهای عملی ایجاد کرده و معقول بودن آنها را تحت شرایط اغتشاش و حملات خصمانه ارزیابی کنید.
سیر این دوره از مبانی ریاضی شروع شده و به ارزیابیهای کاربردی با تأکید بر مفاهیمی چون وفاداری (Fidelity)، صداقت (Faithfulness)، پایداری و قابلیت اطمینان میرسد. هدف ما این است که به جای نگاه کردن به توضیحات به عنوان خروجیهای بصری، به تحلیل انتقادی این موضوع بپردازیم که آیا این توضیحات واقعاً رفتار مدل را منعکس میکنند یا خیر.
در پایان این دوره، شما قادر خواهید بود:
- مبانی ریاضی مقادیر شاپلی و تخصیص عادلانه ویژگیها را توضیح دهید
- تکنیکهای SHAP مانند TreeSHAP، KernelSHAP و مقادیر تعاملی را به کار ببرید
- متدهای توضیحدهنده جایگزین و مبتنی بر قانون را طراحی و ارزیابی کنید
- سناریوهای متقابل (Counterfactuals) را تولید کرده و با استفاده از معیارهای ارزیابی عملی بسنجید
- کیفیت توضیحات را از طریق معیارهای وفاداری، صداقت، پایداری، استحکام و پراکندگی اندازهگیری کنید
- قابلیت اطمینان توضیحات را در برابر اغتشاشات و دستکاریهای خصمانه تست کنید
این دوره برای مهندسان یادگیری ماشین، پژوهشگران هوش مصنوعی، دانشمندان داده و متخصصانی که در حال ساخت سیستمهای هوش مصنوعی قابل اعتماد هستند، ایدهآل است. داشتن درک پایه از مفاهیم یادگیری ماشین و توسعه مدل با پایتون توصیه میشود؛ تجربه قبلی در زمینه تکنیکهای توضیحپذیری الزامی نیست.
با ما همراه شوید تا یاد بگیرید چگونه سیستمهای XAI را طراحی و اعتبارسنجی کنید که بینشهایی شفاف و قابل اعتماد از مدلهای یادگیری ماشین ارائه دهند.
سرفصل ها و درس ها
تخصیص ویژگیها و مدلسازی تفسیرپذیر
Feature Attribution and Interpretable Modeling
نمایش نظرات