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

  • معرفی دوره Course Introduction

  • تئوری بازی‌های تعاونی Cooperative Game Theory

  • مقادیر شاپلی Shapley Values

  • کارگاه عملی: محاسبه دستی مقدار شاپلی Hands-On: Manual Shapley Value Calculation

  • بررسی TreeSHAP و KernelSHAP TreeSHAP and KernelSHAP

  • کارگاه عملی: مقایسه نسخه‌های مختلف SHAP Hands-On: Comparing SHAP Variants

  • کارگاه عملی: مقادیر تعاملی SHAP Hands-On: SHAP Interaction Values

  • مدل‌های جایگزین جهانی و وفاداری Global Surrogate Models and Fidelity

  • استخراج قوانین از مدل‌های جعبه‌سیاه Rule Extraction from Black-Box Models

  • کارگاه عملی: آموزش و ارزیابی یک مدل جایگزین Hands-On: Training and Evaluating a Surrogate Model

متدهای متقابل و تقابلی Counterfactual and Contrastive Methods

  • توضیحات متقابل (Counterfactual) Counterfactual Explanations

  • محدودیت‌های عملیاتی و امکان‌سنجی Actionability and Feasibility Constraints

  • کارگاه عملی: تولید توضیحات متقابل Hands-On: Generating Counterfactual Explanations

  • معیارهای ارزیابی برای سناریوهای متقابل Evaluation Metrics for Counterfactuals

  • استحکام توضیحات متقابل Robustness of Counterfactual Explanations

  • کارگاه عملی: اعتبارسنجی و مقایسه متدهای متقابل Hands-On: Validating and Comparing Counterfactual Methods

  • کارگاه عملی: اعمال معیارهای ارزیابی بر سناریوهای متقابل Hands-On: Applying Evaluation Metrics to Counterfactuals

  • استدلال تقابلی برای توضیحات مدل Contrastive Reasoning for Model Explanations

  • کارگاه عملی: پیاده‌سازی توضیحات تقابلی Hands-On: Implementing Contrastive Explanations

ارزیابی متدهای توضیح‌دهنده Evaluating Explanation Methods

  • وفاداری، صداقت و پایداری در توضیحات Fidelity, Faithfulness and Stability in Explanations

  • معیارهای کمی برای ارزیابی تخصیص ویژگی‌ها Quantitative Metrics for Attribution Evaluation

  • کارگاه عملی: تست صداقت با استفاده از حذف ویژگی Hands-On: Faithfulness Testing Using Feature Removal

  • حساسیت متدهای تخصیص نسبت به اغتشاشات ورودی Sensitivity of Attribution Methods to Input Perturbations

  • دستکاری خصمانه در توضیحات Adversarial Manipulation of Explanations

  • کارگاه عملی: تست استحکام SHAP و LIME Hands-On: Robustness Testing of SHAP and LIME

  • کارگاه عملی: ارزیابی استحکام LIME و تحلیل مقایسه‌ای Hands-On: LIME Robustness Evaluation and Comparative Analysis

  • تفسیرپذیری انسانی و صداقت ریاضیاتی Human Interpretability and Mathematical Faithfulness

  • طراحی مطالعات مقایسه‌ای برای متدهای توضیح‌دهنده Designing Comparative Studies for Explanation Methods

  • پروژه کوچک: ارزیابی مقایسه‌ای تکنیک‌های XAI Mini Project: Comparative Evaluation of XAI Techniques

  • پروژه کوچک: تکمیل ارزیابی تکنیک‌های XAI Mini Project: Completing the Evaluation of XAI Techniques

جمع‌بندی دوره و ارزیابی‌ها Course Wrap-Up and Assessments

  • جمع‌بندی نهایی دوره Course Summary

نمایش نظرات

آموزش روش‌های توضیح‌پذیری و ارزیابی مدل‌های هوش مصنوعی
جزییات دوره
8h 18m
31
(آخرین آپدیت)
13
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده