لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش توسعه هوش مصنوعی قابل توضیح (XAI)
- آخرین آپدیت
دانلود Developing Explainable AI (XAI)
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
با ادغام هوش مصنوعی (AI) در حوزههای حساس مانند مراقبتهای بهداشتی، امور مالی و عدالت کیفری، بسیار حیاتی است که سازندگان این سیستمها فراتر از مدلهای «جعبه سیاه» فکر کنند و سیستمهایی توسعه دهند که نه تنها دقیق، بلکه شفاف و قابل اعتماد باشند. این دوره یک معرفی جامع از هوش مصنوعی قابل توضیح (XAI) ارائه میدهد و شما را قادر میسازد تا راهکارهای هوش مصنوعی همسو با اصول هوش مصنوعی مسئولانه توسعه دهید.
از طریق بحثها، مطالعات موردی و مثالهای واقعی، مهارتهای زیر را کسب خواهید کرد:
۱. تعریف اصطلاحات و مفاهیم کلیدی XAI، از جمله تفسیرپذیری، توضیحپذیری و شفافیت.
۲. ارزیابی رویکردهای مختلف تفسیرپذیر و توضیحپذیر و درک نقاط قوت، ضعف و کاربردهای آنها.
۳. ادغام توضیحات XAI در فرآیندهای تصمیمگیری برای افزایش شفافیت و اعتماد.
۴. ارزیابی سیستمهای XAI از نظر استحکام، حریم خصوصی و ملاحظات اخلاقی جهت تضمین توسعه مسئولانه هوش مصنوعی.
۵. بهکارگیری تکنیکهای XAI در حوزههای پیشرفته مانند هوش مصنوعی مولد (Generative AI) برای پیشرو بودن در روندهای نوظهور.
این دوره برای متخصصان هوش مصنوعی، دانشمندان داده، مهندسان یادگیری ماشین، مدیران محصول و هر کسی که در توسعه یا استقرار سیستمهای AI نقش دارد، ایدهآل است. با تسلط بر XAI، شما قادر خواهید بود راهکارهایی خلق کنید که علاوه بر قدرت، تفسیرپذیر، اخلاقی و قابل اعتماد باشند و چالشهای حیاتی در حوزههای سلامت، مالی و قضایی را حل کنند.
برای موفقیت در این دوره، باید تجربه ساخت محصولات هوش مصنوعی و درک پایهای از مفاهیم یادگیری ماشین مانند یادگیری نظارت شده و شبکههای عصبی داشته باشید. این دوره تکنیکها و کاربردهای هوش مصنوعی قابل توضیح را بدون ورود به جزئیات فنی بسیار عمیق پوشش میدهد.
سرفصل ها و درس ها
هوش مصنوعی مسئولانه
Responsible AI
جعبه سیاه: انگیزه برای XAI
The Black Box: Motivation for XAI
یک تصمیم درست
A Good Decision
تعریف تفسیرپذیری، توضیحپذیری و شفافیت
Defining Interpretability, Explainability, and Transparency
هوش مصنوعی مسئولانه
Responsible AI
سوگیری الگوریتمی
Algorithmic Bias
مرور کلی هوش مصنوعی قابل توضیح
Explainable AI Overview
چالشها و سبک-سنگین کردنها در XAI
Challenges & Tradeoffs in XAI
یادگیری ماشین تفسیرپذیر
Interpretable ML
تکنیکهای توضیحدهی
Explanation Techniques
توضیحات شبکههای عصبی عمیق
Deep Neural Network Explanations
توضیح هوش مصنوعی مولد
Explaining Generative AI
چالشهای XAI در مدلهای زبانی بزرگ (LLM)
XAI in LLM Challenges
XAI در تنظیم دقیق (Fine-tuning) مدلهای زبانی
XAI in LLM Fine-tuning
XAI در مهندسی پرامپت (Prompting) مدلهای زبانی
XAI in LLM Prompting
XAI در تقویت دانش (RAG)
XAI in Knowledge Augmentation (RAG)
روندهای نوظهور، چالشهای باز و ملاحظات
Emerging Trends, Open Challenges, and Considerations
توسعه سیستمهای XAI
Developing XAI Systems
تعامل انسان و هوش مصنوعی
Human-AI Interaction
ملاحظات UX و بهترین روشها
UX Considerations and Best Practices
سخنرانی مهمان: هوش مصنوعی و تجربه کاربری [رایان بولیک، مدیر محصول در Driver]
Guest Lecture - AI+UX [Ryan Bolick, Head of Product at Driver]
ادغام XAI در فرآیند تصمیمگیری
Integrating XAI in the Decision-making Process
مطالعه موردی هدایت شده (تصمیمگیری)
Guided Case Study (Decision-Making)
اهمیت و معرفی ارزیابی XAI
Importance and Introduction to XAI Evaluation
نمایش نظرات