دسترسی سریع:

مسیر:

صفحه اصلی

لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در کانال تلگرام عضو شوید.

آموزش یادگیری ماشین مسئولانه، تفسیرپذیر و داده‌محور [ویدیو] - آخرین آپدیت

دانلود Responsible, Interpretable & Data-Centric Machine Learning [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره یادگیری ماشین مسئولانه، تفسیرپذیر و داده‌محور به شما می‌آموزد که چگونه فراتر از معیارهای دقت و عملکرد حرکت کنید تا سیستم‌های یادگیری ماشین (ML) بسازید که اخلاقی، شفاف و قابل اعتماد باشند. در دنیای امروز که توسط هوش مصنوعی هدایت می‌شود، سازمان‌ها با فشار فزاینده‌ای روبرو هستند تا اطمینان حاصل کنند که مدل‌ها تفسیرپذیر، بدون سوگیری و مقاوم هستند؛ این دوره شما را به ابزارها و متدهایی مجهز می‌کند تا دقیقاً به همین هدف دست یابید. تمرکز این دوره بر یادگیری ماشین داده‌محور (Data-Centric ML) است و نشان می‌دهد که چگونه بهبود کیفیت داده‌ها، اعتبارسنجی و مستندسازی می‌تواند نتایجی بسیار بهتر از صرفاً بهینه‌سازی مدل‌ها به همراه داشته باشد. در پایان این دوره، شما قادر خواهید بود با اطمینان سیستم‌های یادگیری ماشینی را طراحی و مستقر کنید که تفسیرپذیر و عادلانه بوده و با استانداردهای اخلاقی و مقرراتی همسو باشند. آنچه در این دوره می‌آموزید: - درک اصول هوش مصنوعی مسئولانه و اخلاق در AI - پیاده‌سازی معیارهای عدالت (Fairness Metrics) در خط لوله‌های یادگیری ماشین - نظارت بر مدل‌های ML برای شناسایی رانش داده‌ها (Drift)، سوگیری و مقاومت در محیط عملیاتی - انتقال شفاف تصمیمات مدل‌های ML به ذینفعان این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی است که می‌خواهند سیستم‌هایی اخلاقی، شفاف و قابل اعتماد طراحی کنند. داشتن دانش پایه در پایتون و مفاهیم یادگیری ماشین توصیه می‌شود. همچنین متخصصان صنایع تحت نظارت مانند بهداشت و درمان، امور مالی و دولتی، و کسانی که AI را در محیط‌های عملیاتی مستقر می‌کنند، از یادگیری تکنیک‌های عدالت، توضیح‌پذیری و رویکردهای داده‌محور برای پذیرش مسئولانه هوش مصنوعی بهره‌مند خواهند شد. هدف نهایی: طراحی مدل‌های ML عادلانه، تفسیرپذیر و مقاوم * به‌کارگیری ابزارهای توضیح‌پذیری و تشخیص سوگیری در پایتون * یادگیری متدهای داده‌محور برای ساخت هوش مصنوعی قابل اعتماد

سرفصل ها و درس ها

پشته یادگیری ماشین در عمل و مقیاس‌بندی هوش ML The ML Stack in Action and Scaling ML Intelligence

معرفی Granite Guardian: استفاده ایمن و مسئولانه از AI در برابر ریسک‌های GenAI Introducing Granite Guardian: Safe and Responsible AI Use from GenAI Risks
فراتر از یک جعبه سیاه: درک یادگیری ماشین از طریق ریاضیات Not Just a Black Box: Understanding ML Through Mathematics
تفسیرپذیری در طراحی: بررسی مدل‌های مبتنی بر قانون در یادگیری ماشین Interpretability by Design: Exploring Rule-Based Models in Machine Learning
هوش مصنوعی داده‌محور: ساخت مدل‌های عادلانه و قابل اعتماد به روش صحیح Data-Centric AI: Building Fair and Reliable Models the Right Way

برای ارسال نظر ثبت نام کنید.

نمایش نظرات

آموزش یادگیری ماشین مسئولانه، تفسیرپذیر و داده‌محور [ویدیو]

جزییات دوره

زمان دوره: 2h 30m

تعداد ویدیو ها: 4

شرکت: Packtpub

تاریخ انتشار مرجع: (آخرین آپدیت)

بازدید مرجع :

امتیاز مرجع: از 5

فایل تمرین: ندارد

زیرنویس زبان اصلی: دارد

زیرنویس فارسی: (توسط هوش مصنوعی) دارد

مدرس: Kush Varshney Tivadar Danka Serg Masís Thomas Nield

لینک کوتاه این دوره

https://donyad.com/d/6f61e3

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

نرم افزارهای مورد نیاز

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kush Varshney

کوش وارشنی عضو کادر پژوهشی و مدیر در IBM Research AI است که در مرکز تحقیقات توماس جی. واتسون فعالیت می‌کند. او مدیریت مشترک ابتکار IBM Science for Social Good را بر عهده دارد.

Tivadar Danka

تیوادار دانکا در تحصیلات ریاضیات، در حرفه مهندسی یادگیری ماشین و در اشتیاق، یک مدرس است. او پس از اتمام دکتری خود در سال ۲۰۱۶ در مورد موضوع پیچیده چندجمله‌ای‌های متعامد، مسیر شغلی خود را تغییر داد و از آن زمان در زمینه یادگیری ماشین فعالیت می‌کند. کارهای او شامل به‌کارگیری یادگیری عمیق برای تصاویر میکروسکوپی سلولی جهت شناسایی و تعیین فنوتیپ سلول‌ها، ایجاد یکی از محبوب‌ترین بسته‌های متن‌باز پایتون برای یادگیری فعال، ساخت یک کتابخانه کامل یادگیری ماشین از صفر و جذب حدود ۱۰۰ هزار دنبال‌کننده در رسانه‌های اجتماعی از طریق انتشار محتوای آموزشی با کیفیت بالا است.

Serg Masís

سرگ ماسیس در دو دهه گذشته در نقطه تلاقی اینترنت، توسعه اپلیکیشن و تحلیل داده‌ها بوده است. در حال حاضر، او دانشمند داده‌های اقلیمی و کشاورزی در Syngenta، یکی از شرکت‌های پیشرو در کشاورزی با ماموریت بهبود امنیت غذایی جهانی است. پیش از آن، او یک استارت‌آپ موتور جستجو را بنیان‌گذاری کرد که توسط آزمایشگاه‌های نوآوری هاروارد رشد یافته بود و قدرت رایانش ابری و یادگیری ماشین را با اصول علم تصمیم‌گیری ترکیب می‌کرد. سرگ مشتاق ایجاد حلقه مفقوده بین داده‌ها و تصمیم‌گیری است و معتقد است تفسیر یادگیری ماشین به پر کردن این شکاف کمک می‌کند.

Thomas Nield

توماس نیلد مؤسس Nield Consulting Group و همچنین مدرس در OReilly Media و دانشگاه کالیفرنیای جنوبی است. او از ساده‌سازی محتوای فنی برای افرادی که با آن آشنا نیستند لذت می‌برد. توماس به‌طور منظم کلاس‌های تحلیل داده، یادگیری ماشین، بهینه‌سازی ریاضی و هوش مصنوعی کاربردی را تدریس می‌کند. در USC، او ایمنی سیستم‌های AI را تدریس می‌کند و رویکردهای سیستماتیک برای شناسایی خطرات مرتبط با AI در هوانوردی و وسایل نقلیه زمینی را توسعه می‌دهد.

عکاسی

داده ها

آموزش یادگیری ماشین مسئولانه، تفسیرپذیر و داده‌محور [ویدیو] - آخرین آپدیت

دانلود Responsible, Interpretable & Data-Centric Machine Learning [Video]

پشته یادگیری ماشین در عمل و مقیاس‌بندی هوش ML The ML Stack in Action and Scaling ML Intelligence

معرفی Granite Guardian: استفاده ایمن و مسئولانه از AI در برابر ریسک‌های GenAI Introducing Granite Guardian: Safe and Responsible AI Use from GenAI Risks

فراتر از یک جعبه سیاه: درک یادگیری ماشین از طریق ریاضیات Not Just a Black Box: Understanding ML Through Mathematics

تفسیرپذیری در طراحی: بررسی مدل‌های مبتنی بر قانون در یادگیری ماشین Interpretability by Design: Exploring Rule-Based Models in Machine Learning

هوش مصنوعی داده‌محور: ساخت مدل‌های عادلانه و قابل اعتماد به روش صحیح Data-Centric AI: Building Fair and Reliable Models the Right Way