لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش Debiasing AI با استفاده از Amazon SageMaker
Debiasing AI Using Amazon SageMaker
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
هوش مصنوعی (AI) می تواند تعصب عمیقی داشته باشد. این وظیفه دانشمندان و توسعه دهندگان داده است که اطمینان حاصل کنند که الگوریتم های آنها منصفانه ، شفاف و قابل توضیح هستند. این مسئولیت هنگام ساخت مدلهایی که ممکن است خط مشی را تعیین کنند - یا روند زندگی مردم را شکل دهند بسیار مهم است. در این دوره ، مهندس نرم افزار برنده جایزه ، کسا ویلیامز ، نحوه تخریب هوش مصنوعی با Amazon SageMaker را توضیح می دهد. او نشان می دهد که چگونه از SageMaker برای ایجاد یک مدل یادگیری ماشین پلیس پیش بینی که ادغام Rekognition و AWS DeepLens را ایجاد می کند ، ایجاد یک مدل مبارزه با جرم که می تواند آنچه را که در یک صحنه زنده اتفاق می افتد "دیدن" استفاده کند. با دنبال کردن فرآیند توسعه ، می توانید یاد بگیرید که ساخت یک مدل که از تعصبات فرهنگی رنج نمی برد ، چیست. کشا همچنین در مورد چگونگی حذف تعصب در داده های آموزشی ، آزمایش یک مدل برای انصاف و ایجاد اعتماد به هوش مصنوعی با ساختن مدل هایی که قابل توضیح هستند ، بحث می کند.
موضوعات شامل:
بررسی پرونده مورد مبارزه با جرم li>
اصول SageMaker آمازون li>
آماده سازی داده ها li>
آموزش مدل li>
ارزیابی مدل li>
استفاده از یک مدل تشخیص چهره در AWS DeepLens
بازیابی داده ها برای مدل با AWS Rekognition
ارسال نقاط داده به یک مدل میزبان SageMaker
بازیابی پیش بینی ها li>
قابل توضیح مدلهای خود li>
سرفصل ها و درس ها
مقدمه
Introduction
Debiasing AI با استفاده از Amazon SageMaker
Debiasing AI using Amazon SageMaker
آنچه باید بدانید
What you should know
1. مطالعه موردی مبارزه با جرم و جنایت
1. Crime-Fighting Case Study
پلیس پیش بینی شده
Predictive policing
بررسی اجمالی
Overview
نمودار معماری
Architecture diagram
ابزارها ، خدمات و هزینه ها
Tools, services, and costs
اصطلاحات و مفاهیم
Terms and concepts
نسخه ی نمایشی از Amazon SageMaker
Demo of Amazon SageMaker
2. ساختن مدل از طریق SageMaker
2. Building the Model via SageMaker
SageMaker چیست؟
What is SageMaker?
فرآیند یادگیری ماشین
Machine learning process
داده ها را بازرسی و تجسم کنید
Inspect and visualize data
داده ها را آماده کنید
Prepare the data
آموزش مدل
Train the model
مدل را مستقر کنید
Deploy the model
3. بکارگیری و آزمایش مدل از طریق DeepLens
3. Deploying and Testing the Model via DeepLens
DeepLens چیست؟
What is DeepLens?
استقرار مدل در AWS DeepLens
Deploy model to AWS DeepLens
گسترش AWS DeepLens
Extend AWS DeepLens
بازیابی صفات از طریق AWS Rekognition
Retrieve attributes via AWS Rekognition
از مدل جنایت استناد کنید
Invoke the crime model
هشدارهای مدل را تنظیم کنید
Set up model alerts
4- توضیح مدل
4. Explaining the Model
AI (XAI) قابل توضیح چیست؟
What is explainable AI (XAI)?
اعتماد و شفافیت
Trust and transparency issues
الگوریتم های قابل توضیح
Making algorithms explainable
کشا ویلیامز یک مدیر مهندسی نرم افزار، مربی، سخنران، وبلاگ نویس فناوری، و مدافع STEM است.
کشا (تلفظ KEY-SHA) ویلیامز یک جایزه است. مهندس نرم افزار برنده با بیش از 20 سال تجربه متخصص در توسعه برنامه های کاربردی وب با استفاده از Java، Spring، Angular، و خدمات وب آمازون (AWS). او هزاران توسعهدهنده نرمافزار را در ایالات متحده، اروپا و آسیا آموزش داده و در حین تدریس جاوا در سطح دانشگاه، آموزش داده است. او کار خود را با آژانس امنیت ملی (NSA) آغاز کرد.
کشا اخیراً برنده جایزه آدا لاولیس در مهندسی کامپیوتر از LookFar و جایزه نوآوری متفاوت بیندیشید از Chick-fil-A برای کارش با فناوریهای نوظهور شد. و هوش مصنوعی (AI). او اخیراً در کمپین آمازون "Alexa Women of Voice" و مجموعه #WePowerTech از A Cloud Guru حضور داشت. او در اوقات فراغت خود، اخبار جاوا را برای InfoQ می نویسد، بخش فناوری جورجیا را رهبری می کند، در کنفرانس های فنی در سراسر جهان سخنرانی می کند، به عنوان مربی با آکادمی علوم نیویورک خدمت می کند، و کارگاه های رایگان «ساعت کد» را برای کودکان برگزار می کند. در کتابخانه محلی او.
نمایش نظرات