آموزش یادگیری ماشین و پایه های AI: تولید AI قابل توضیح AI (Xai) و راه حل های یادگیری ماشین قابل تفسیر

معرفی Introduction

• بررسی دنیای AI قابل توضیح و یادگیری قابل تفسیر ماشین Exploring the world of explainable AI and interpretable machine learning

• مخاطب هدف Target audience

• آنچه شما باید بدانید What you should know

1. XAI و IML چیست؟ 1. What Are XAI and IML?

• درک آنچه و چرا مدل های شما پیش بینی می کنند Understanding the what and why your models predict

• اهمیت متغیر و کدهای دلیل Variable importance and reason codes

• مقایسه IML و XAI Comparing IML and XAI

• روند در AI ایجاد مشکل Xai بیشتر برجسته است Trends in AI making the XAI problem more prominent

• توضیحات محلی و جهانی Local and global explanations

• Xai برای مدل های اشکال زدایی XAI for debugging models

• پشتیبانی Knime از توضیحات جهانی و محلی KNIME support of global and local explanations

• فصلنامه Chapter Quiz

2. چرا جداسازی یک متغیر متغیر دشوار است 2. Why Isolating a Variable’s Contribution Is Difficult

• چالش های متغیر متغیر با رگرسیون خطی Challenges of variable attribution with linear regression

• چالش های متغیر متغیر با شبکه های عصبی Challenges of variable attribution with neural networks

• اثر رشیومون Rashomon effect

3. مدل جعبه سیاه 101 3. Black Box Model 101

• چه چیزی به عنوان جعبه سیاه واجد شرایط است؟ What qualifies as a black box?

• چرا ما مدل های جعبه سیاه داریم؟ Why do we have black box models?

• تعاونی دقت دقیق چیست؟ What is the accuracy interpretability tradeoff?

• استدلال علیه Xai The argument against XAI

4. مقدمه ای بر Knime برای Xai و IML 4. Introduction to KNIME for XAI and IML

• معرفی Knime Introducing KNIME

• مدل های ساختمانی در Knime Building models in KNIME

• درک حلقه در Knime Understanding looping in KNIME

• از کجا برای پیدا کردن پشتیبانی Knime در دسترس برای Xai Where to find available KNIME support for XAI

5. تکنیک های Xai: توضیحات جهانی 5. XAI Techniques: Global Explanations

• ارائه توضیحات جهانی با توطئه های وابستگی جزئی Providing global explanations with partial dependence plots

• با استفاده از مدل های جایگزین برای توضیحات جهانی Using surrogate models for global explanations

• توسعه و تفسیر یک مدل جایگزین با Knime Developing and interpreting a surrogate model with KNIME

• تعویض اهمیت اهمیت Permutation feature importance

• ویژگی جهانی اهمیت جهانی Global feature importance demo

• فصلنامه Chapter Quiz

6. تکنیک های توضیحات محلی 6. Techniques for Local Explanations

• توسعه شهود برای ارزش های شپلی Developing an intuition for Shapley values

• معرفی شکل Introducing SHAP

• با استفاده از آهک برای ارائه توضیحات محلی برای شبکه های عصبی Using LIME to provide local explanations for neural networks

• مخالفان چیست؟ What are counterfactuals?

• فهرست محلی توضیح محلی Knime KNIME's Local Explanation View node

• xai مشاهده گره نشان دادن knime XAI View node demonstrating KNIME

• فصلنامه Chapter Quiz

7. تکنیک های IML 7. IML Techniques

• مشاوره عمومی برای IML بهتر General advice for better IML

• چرا مهندسی ویژگی برای IML بسیار مهم است Why feature engineering is critical for IML

• Corels و روند اخیر CORELS and recent trends

• فصلنامه Chapter Quiz

نتیجه Conclusion

• ادامه به کشف Xai Continuing to explore XAI