آموزش یادگیری ماشین تفسیرپذیر (Interpretable Machine Learning) - آخرین آپدیت

دانلود Interpretable Machine Learning

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 بهداشت و درمان، امور مالی و عدالت کیفری، بسیار حیاتی است که توسعه‌دهندگان این سیستم‌ها فراتر از «جعبه سیاه» فکر کنند و سیستم‌هایی بسازند که نه تنها دقیق، بلکه شفاف و قابل اعتماد باشند. این دوره یک راهنمای جامع و کاربردی برای یادگیری ماشین تفسیرپذیر است که شما را قادر می‌سازد راهکارهای هوش مصنوعی همسو با اصول هوش مصنوعی مسئولانه توسعه دهید. همچنین در این دوره با حوزه نوظهور «تفسیرپذیری مکانیکی» (Mechanistic Interpretability) و کاربرد آن در درک مدل‌های زبانی بزرگ (LLM) آشنا خواهید شد. از طریق بحث‌ها، مطالعات موردی، آزمایشگاه‌های برنامه‌نویسی و مثال‌های واقعی، مهارت‌های زیر را کسب خواهید کرد: ۱. توصیف یادگیری ماشین تفسیرپذیر و تفاوت بین تفسیرپذیری (Interpretability) و توضیح‌پذیری (Explainability). ۲. توضیح و پیاده‌سازی مدل‌های رگرسیون در پایتون. ۳. تسلط بر مدل‌های تعمیم‌یافته در پایتون. ۴. توضیح و پیاده‌سازی درخت‌های تصمیم در پایتون. ۵. تسلط بر قوانین تصمیم‌گیری در پایتون. ۶. تعریف و توضیح رویکردهای مدل‌های تفسیرپذیر شبکه عصبی، از جمله شبکه‌های مبتنی بر نمونه اولیه، شبکه‌های یکنواخت و شبکه‌های کولموگوروف-آرنولد. ۷. توضیح مفاهیم بنیادی تفسیرپذیری مکانیکی، شامل ویژگی‌ها و مدارها. ۸. توصیف فرضیه برهم‌نهی (Superposition Hypothesis). ۹. تعریف یادگیری نمایش (Representation Learning) و تحلیل پژوهش‌های جاری در مورد مقیاس‌بندی یادگیری نمایش برای مدل‌های زبانی بزرگ (LLMs). این دوره برای دانشمندان داده یا مهندسان یادگیری ماشین که تسلط خوبی بر مفاهیم یادگیری ماشین دارند اما تجربه کمی در زمینه مفاهیم تفسیرپذیری کسب کرده‌اند، ایده‌آل است. با تسلط بر رویکردهای یادگیری ماشین تفسیرپذیر، شما قادر خواهید بود راهکارهای هوش مصنوعی قدرتمند، اخلاقی و قابل اعتمادی ایجاد کنید که چالش‌های حیاتی در حوزه‌های سلامت، مالی و حقوقی را حل می‌کنند. برای موفقیت در این دوره، باید درک متوسطی از مفاهیم یادگیری ماشین مانند یادگیری نظارت شده و شبکه‌های عصبی داشته باشید.

سرفصل ها و درس ها

رگرسیون و مدل‌های تعمیم‌یافته Regression and Generalized Models

  • مقدمه‌ای بر یادگیری ماشین تفسیرپذیر Introduction to Interpretable ML

  • رگرسیون خطی Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • مدل‌های خطی تعمیم‌یافته Generalized Linear Models

  • مدل‌های جمعی تعمیم‌یافته Generalized Additive Models

قوانین، درخت‌ها و شبکه‌های عصبی Rules, Trees, and Neural Networks

  • درخت‌های تصمیم Decision Trees

  • درخت‌های تصمیم پراکنده Sparse Decision Trees

  • قوانین تصمیم‌گیری Decision Rules

  • مدل RuleFit RuleFit

  • تفسیرپذیری شبکه‌های عصبی Neural Network Interpretability

  • شبکه‌های عصبی مبتنی بر نمونه اولیه (ProtoPNet) Protoype-based Neural Networks (ProtoPNet)

  • شبکه‌های عصبی یکنواخت (MonoNet) Monotonic Neural Networks (MonoNet)

  • شبکه‌های کولموگوروف آرنولد Kolmogorov-Arnold Networks

مقدمه‌ای بر تفسیرپذیری مکانیکی Introduction to Mechanistic Interpretability

  • مقدمه‌ای بر تفسیرپذیری مکانیکی Introduction to Mechanistic Interpretability

  • مفاهیم تفسیرپذیری مکانیکی Mechanistic Interpretability Concepts

  • مقدمه‌ای بر مدارها Introduction to Circuits

  • فرضیه برهم‌نهی The Superposition Hypothesis

  • یادگیری نمایش در تفسیرپذیری مکانیکی Mechanistic Interpretability Representation Learning

  • مقیاس‌بندی تفسیرپذیری مکانیکی برای مدل‌های زبانی بزرگ (LLMs) Scaling Mechanistic Interpretability to LLMs

نمایش نظرات

آموزش یادگیری ماشین تفسیرپذیر (Interpretable Machine Learning)
جزییات دوره
13h 33m
19
(آخرین آپدیت)
2,309
4.8 از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده