لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدلهای یادگیری عمیق قابل تفسیر در حوزه بهداشت و درمان
- آخرین آپدیت
دانلود Explainable Deep Learning Models for Healthcare
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به معرفی مفاهیم تفسیرپذیری (Interpretability) و توضیحپذیری (Explainability) در کاربردهای یادگیری ماشین میپردازد. فراگیران تفاوت بین توضیحات سراسری (Global)، محلی (Local)، مستقل از مدل (Model-agnostic) و مختص مدل (Model-specific) را درک خواهند کرد. روشهای پیشرفته توضیحپذیری مانند اهمیت ویژگی جایگشتی (PFI)، توضیحات محلی تفسیرپذیر مستقل از مدل (LIME) و توضیحات افزایشی شپلی (SHAP) تشریح شده و در طبقهبندی سریهای زمانی به کار گرفته میشوند. در ادامه، توضیحات مختص مدل مانند نقشهبرداری فعالساز کلاس (CAM) و Grad-CAM توضیح داده شده و پیادهسازی میشوند. همچنین، مفاهیم انتسابهای بدیهی (Axiomatic Attributions) و اهمیت آنها بررسی خواهد شد. در نهایت، مکانیزمهای توجه (Attention Mechanisms) پس از لایههای بازگشتی ادغام شده و وزنهای توجه برای تولید توضیحات محلی مدل بصریسازی میشوند.
سرفصل ها و درس ها
مدلهای یادگیری ماشین تفسیرپذیر در مقابل توضیحپذیر در بهداشت و درمان
Interpretable vs Explainable Machine Learning Models in Healthcare
ویدیو خوشآمدگویی: مدلهای یادگیری عمیق قابل تفسیر در بهداشت و درمان
Welcome video - Explainable Deep Learning Models for Healthcare
تفسیرپذیری در مقابل توضیحپذیری
Interpretability vs Explainability
توضیحپذیری در کاربردهای بهداشت و درمان
'Explainability' in Healthcare Applications
تاکسونومی روشهای توضیحپذیری
Taxonomy of Explainability Methods
روشهای توضیحپذیری مستقل از مدل
Model Agnostic Explainability Methods
اهمیت ویژگی جایگشتی در دادههای سری زمانی
Permutation Feature Importance in Time Series Data
روشهای توضیحپذیری محلی برای مدلهای یادگیری عمیق
Local Explainability Methods for Deep Learning Models
توضیحات محلی تفسیرپذیر مستقل از مدل (LIME)
Local Interpretable Model Agnostic Explanations (LIME)
استفاده از LIME در طبقهبندی سریهای زمانی
LIME in Time-Series Classification
نمایش نظرات