آموزش هوش مصنوعی قابل توضیح (XAI) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• آشنایی با XAI Introduction to XAI

تفسیرپذیری ذاتی مدل‌های یادگیری ماشین Inherent Interpretability of ML Models

• درس دوم: تفسیرپذیری یادگیری ماشین Lecture 2: ML Interpretability

توضیح‌پذیری مدل‌های یادگیری عمیق Explainability of DL models

• متدهای توضیح‌پذیری مدل‌های یادگیری عمیق Deep Learning Models Explainability Methods

• متدهای XAI مبتنی بر قانون برای مدل‌های یادگیری عمیق Rules based XAI methods for DL Models

• متدهای XAI مبتنی بر نمونه‌های اولیه و مکانیسم‌های توجه برای مدل‌های یادگیری عمیق Prototype and Attention Mechanisms based XAI Methods for DL Models

توضیح‌پذیری Posthoc و تفاوت توضیحات محلی در مقابل جهانی Posthoc Explainability and Local Vs. Global Explanations

• متدهای توضیح‌پذیری Posthoc مانند LIME، SHAP و غیره Posthoc Explainability methods - LIME, SHAP etc.

• توضیحات جهانی در مقابل محلی Global Vs. Local Explanations

ارزیابی متدهای XAI Evaluation of XAI Methods

• ارزیابی تفسیرپذیری و توضیح‌پذیری مدل Evaluating Model Interpretability and Explainability

• محدودیت‌های ارزیابی XAI Limitations of XAI Evaluations

آینده هوش مصنوعی قابل توضیح Future of XAI

• روندهای آینده XAI: رابط‌های جدید، ابزارها و بنچمارک‌ها برای درک مدل Future trends of XAI : New Interfaces, Tools, Benchmarks for Model Understanding