یادگیری ماشینی و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر

مدرس Keith McCormick

انتشار 2022/02/17

مدت زمان 2h 9m

سطح مناسب همه

فایل تمرینی دارد

آموزش Machine Learning and AI Foundations: Producing Explainable AI (XAI) and Interpretable Machine Learning Solutions

دانشمندان داده و متخصصان یادگیری ماشین باید با آخرین تکنیک ها و رویکردها در این زمینه همگام بمانند. در این دوره، مربی کیت مک کورمیک به شما نشان می دهد که چگونه راه حل های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشینی قابل تفسیر (IML) را تولید کنید.یاد بگیرید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش است. روش‌های موجود و تکنیک‌های رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالش‌ها و فرصت‌های مدل‌های جعبه سیاه راهنمایی می‌کند و به شما نشان می‌دهد که چگونه شفافیت را به مدل‌های خود بیاورید و از نمونه‌های واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان می‌دهند. در پایان این دوره، شما درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.

Artificial Intelligence (AI) Machine Learning

Introduction

Exploring the world of explainable AI and interpretable machine learning ()

Target audience ()

What you should know ()

1. What Are XAI and IML?

Understanding the what and why your models predict ()

Variable importance and reason codes ()

Comparing IML and XAI ()

Trends in AI making the XAI problem more prominent ()

Local and global explanations ()

XAI for debugging models ()

KNIME support of global and local explanations ()

2. Why Isolating a Variable’s Contribution Is Difficult

Challenges of variable attribution with linear regression ()

Challenges of variable attribution with neural networks ()

Rashomon effect ()

3. Black Box Model 101

What qualifies as a black box? ()

Why do we have black box models? ()

What is the accuracy interpretability tradeoff? ()

The argument against XAI ()

4. Introduction to KNIME for XAI and IML

Introducing KNIME ()

Building models in KNIME ()

Understanding looping in KNIME ()

Where to find available KNIME support for XAI ()

5. XAI Techniques: Global Explanations

Providing global explanations with partial dependence plots ()

Using surrogate models for global explanations ()

Developing and interpreting a surrogate model with KNIME ()

Permutation feature importance ()

Global feature importance demo ()

6. Techniques for Local Explanations

Developing an intuition for Shapley values ()

Introducing SHAP ()

Using LIME to provide local explanations for neural networks ()

What are counterfactuals? ()

KNIME's Local Explanation View node ()

XAI View node demonstrating KNIME ()

7. IML Techniques

General advice for better IML ()

Why feature engineering is critical for IML ()

CORELS and recent trends ()

Conclusion

Continuing to explore XAI ()

Ex_Files_ML_and_AI_Foundations_Explainable_Interpretable.zip (4.2 MB)

Glossary_MachineLearning_AI_Foundations.zip (44 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش یادگیری ماشینی و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Machine Learning and AI Foundations: Producing Explainable AI (XAI) and Interpretable Machine Learning Solutions در 2 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

با این مسیر یادگیری جامع، تخصص یادگیری ماشینی خود را ارتقا دهید. موضوعات اصلی و پیشرفته، از جمله تجزیه و تحلیل پیش‌بینی‌کننده، درخت‌های تصمیم، استنتاج علی، بهینه‌سازی یادگیری عمیق، و تفاوت‌های بین یادگیری ماشین و روش‌های آماری را کاوش کنید. از طریق مثال‌ها و ابزارهای واقعی مانند پلتفرم KNIME Analytics، مهارت‌های عملی برای افزایش شفافیت و اثربخشی مدل به دست آورید. از همین الان شروع کنید تا مهارت های خود را ارتقا دهید.

آموزش یادگیری ماشینی و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر ، ایستگاه شماره 5 در مسیر یادگیری مهارت های خود را به عنوان یک متخصص یادگیری ماشین ارتقا دهید ، است.

مسیر یادگیری مهارت های خود را به عنوان یک متخصص یادگیری ماشین ارتقا دهید

یادگیری ماشین فقط برای توسعه دهندگان و مهندسان نرم افزار نیست. با راه حل های بدون کد و کم کد، این مسیر یادگیری شما را با برنامه نویسی بصری برای یادگیری ماشین آشنا می کند و بر مجموعه KNIME تمرکز می کند. در فرآیند تجزیه و تحلیل، ترکیب و تجسم داده ها، بدون هیچ کدنویسی قدم بردارید.

آموزش یادگیری ماشینی و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر ، ایستگاه شماره 4 در مسیر یادگیری آموزش یادگیری ماشینی بدون کد با KNIME ، است.