ML & AI Foundations Producing XAI

دانشمندان داده و متخصصان یادگیری ماشین باید با جدیدترین تکنیک‌ها و روش‌ها در این حوزه همگام باشند. در این دوره، مدرس کیت مک‌کورمیک به شما یاد می‌دهد که چگونه راه‌حل‌های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشین قابل تفسیر (IML) ایجاد کنید. این دوره به شما نشان می‌دهد چرا نیاز به XAI در سال‌های اخیر به سرعت افزایش یافته است. شما با روش‌ها و تکنیک‌های معمول XAI و IML آشنا می‌شوید و یاد می‌گیرید که چه زمانی و چگونه هر کدام را به کار ببرید.
کیت مک‌کورمیک شما را با چالش‌ها و فرصت‌های مدل‌های جعبه سیاه آشنا کرده و نشان می‌دهد چگونه به مدل‌های خود شفافیت ببخشید. او از مثال‌های واقعی استفاده می‌کند تا ترفندهای کار با پلتفرم تحلیل آسان‌آموز و متن‌باز KNIME را به شما بیاموزد. پس از پایان این دوره، درک بهتری از تکنیک‌های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.

اهداف یادگیری این دوره عبارتند از:

• شناسایی کنید که چه زمانی و چرا توضیح‌پذیری در هوش مصنوعی مفید است
• استراتژی‌های ساخت مدل‌های ساده و قابل تفسیر را توضیح دهید
• ویژگی‌های ابتدایی KNIME که برای یادگیری و درک عملکرد و رفتار آن حیاتی هستند را لیست کنید
• توضیح دهید که چگونه از جایگشت‌های مقادیر داده برای ارزیابی اهمیت ویژگی استفاده کنید
• ارزش‌های شاپلی (Shapley values) و LIME را تعریف کنید
• یک حالت متقابل را تعریف کنید و کاربرد آن را توصیف کنید
• توضیح دهید که چگونه یک مدل CORELS بسازید و چرا این مدل‌ها مفید هستند