آموزش هوش مصنوعی قابل توضیح (XAI) برای همه - آخرین آپدیت

مبانی هوش مصنوعی قابل توضیح Foundations of Explainable AI

• مرور کلی تخصص Specialization Overview

• معرفی دوره Course Introduction

• چشم‌انداز فعلی هوش مصنوعی The Present AI Landscape

• مقدمه‌ای بر هوش مصنوعی قابل توضیح Introduction to Explainable AI

• تفسیرپذیری در مقابل شفافیت و توضیح‌پذیری Interpretability vs. Transparency vs. Explainability

• طبقه‌بندی توضیح‌پذیری Taxonomy of Explainability

• کار عملی: ترسیم انواع توضیح‌پذیری روی یک مدل نمونه Hands-On: Mapping Explainability Types on a Sample Model

• کار عملی: تفسیر نتایج طبقه‌بندی توضیح‌پذیری Hands-On: Interpreting Explainability Taxonomy Results

• تفسیرپذیری در رگرسیون خطی و لجستیک Interpretability in Linear and Logistic Regression

• درخت‌های تصمیم و مدل‌های مبتنی بر قانون Decision Trees and Rule-Based Models

• کار عملی: تفسیر ضرایب و تصمیمات درخت Hands-On: Interpreting Coefficients and Tree Decisions

• کار عملی: تحلیل قوانین تصمیم‌گیری و بینش‌های مدل Hands-On: Analyzing Decision Rules and Model Insights

• کار عملی: ساخت یک مدل یادگیری ماشین تفسیرپذیر Hands-On: Building an Interpretable ML Model

• کار عملی: بررسی اولیه اهمیت ویژگی‌ها Hands-On: Baseline Feature Importance Exploration

تکنیک‌های توضیح پس‌ینی Post-Hoc Explanation Techniques

• توضیح‌پذیری پس‌ینی (Post Hoc) Post-Hoc Explainability

• مستقل از مدل در مقابل خاص مدل Model-Agnostic vs. Model-Specific

• کار عملی: مقایسه توضیحات ذاتی در مقابل پس‌ینی Hands-On: Comparing Inherent vs. Post-Hoc Explanations

• کار عملی: تحلیل و تفسیر توضیحات پس‌ینی Hands-On: Analyzing and Interpreting Post-Hoc Explanations

• درک انتساب ویژگی از طریق اهمیت جایگشتی Understanding Feature Attribution through Permutation Importance

• تخمین اثر ویژگی با PDP و ICE Feature Effect Estimation with PDP and ICE

• کار عملی: پیاده‌سازی اهمیت جایگشتی Hands-On: Implementing Permutation Importance

• کار عملی: تفسیر نتایج اهمیت جایگشتی Hands-On: Interpreting Permutation Importance Results

• کار عملی: بصری‌سازی PDP و ICE Hands-On: PDP and ICE Visualization

• کار عملی: تفسیر بینش‌های PDP و ICE Hands-On: Interpreting PDP and ICE Insights

• مدل‌های LIME و مدل‌های جایگزین محلی LIME and Local Surrogate Models

• مبانی SHAP و مقادیر Shapley SHAP and Shapley Value Foundations

• کار عملی: استفاده از LIME برای پیش‌بینی‌های فردی Hands-On: LIME for Individual Predictions

• کار عملی: تفسیر توضیحات LIME Hands-On: Interpreting LIME Explanations

• کار عملی: بصری‌سازی مقادیر SHAP Hands-On: SHAP Value Visualization

• کار عملی: تفسیر بینش‌های جهانی و محلی SHAP Hands-On: Interpreting SHAP Global and Local Insights

اعتماد، سوگیری و ارتباطات Trust, Bias, and Communication

• منابع سوگیری در سیستم‌های یادگیری ماشین Sources of Bias in ML Systems

• توازن بین دقت و تفسیرپذیری Accuracy vs. Interpretability Trade-Off

• کار عملی: شناسایی سوگیری با استفاده از Fairlearn Hands-On: Bias Detection Using Fairlearn

• کار عملی: ارزیابی و تفسیر سوگیری مدل Hands-On Evaluating and Interpreting Model Bias

• طراحی روایت‌های توضیحی برای ذینفعان Designing Explanation Narratives for Stakeholders

• کار عملی: ساخت گزارش‌های توضیحی Hands-On: Building Explanation Reports

• کار عملی: ارتقای گزارش‌های توضیحی با بینش‌های SHAP Hands-On: Enhancing Explanation Reports with SHAP Insights

جمع‌بندی دوره و ارزیابی‌ها Course Wrap-Up and Assessments

• جمع‌بندی دوره Course Summary