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
  • اصول SageMaker آمازون
  • آماده سازی داده ها
  • آموزش مدل
  • ارزیابی مدل
  • 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
  • قابل توضیح مدلهای خود

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

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش Debiasing AI با استفاده از Amazon SageMaker
جزییات دوره
1h 42m
24
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
1,615
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kesha Williams Kesha Williams

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.