Global बनाम local explainability

Global और local explainability में क्या अंतर है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Explainable AI

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

हमारे इंटरैक्टिव अभ्यासों में से किसी एक के साथ सिद्धांत को व्यवहार में बदलें

अभ्यास शुरू करें

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Explainable AI

SkillTag.level.intermediateSkillTag.label

4.8+

1122 reviews

पाठ्यक्रम मुफ्त में शुरू करें

Explainable AI की बुनियादी अवधारणाएँ समझकर अपनी सीख की शुरुआत करें। जानिए कि decision trees से decision rules कैसे निकाले जाते हैं। Linear और tree-based मॉडलों से feature importance निकालें और विज़ुअलाइज़ करें ताकि यह समझ सकें कि ये मॉडल प्रेडिक्शंस कैसे बनाते हैं, जिससे निर्णय अधिक पारदर्शी होते हैं।

Exercise 1: Explainable AI का परिचय Exercise 2: डिसीजन ट्री बनाम न्यूरल नेटवर्क Exercise 3: Model-agnostic बनाम model-specific explainability Exercise 4: लिनियर मॉडल्स में व्याख्येयता Exercise 5: Linear regression के साथ feature impact की गणना Exercise 6: Logistic regression से feature impact की गणना Exercise 7: ट्री-आधारित मॉडलों में explainability Exercise 8: डिसीजन ट्रीज़ के साथ फीचर इम्पॉर्टेंस निकालना Exercise 9: रैंडम फॉरेस्ट के साथ फीचर इम्पोर्टेंस निकालना

विभिन्न मॉडलों में फीचर के प्रभाव को समझने के लिए मॉडल-अज्ञेय तकनीकों की शक्ति का उपयोग करें। Permutation importance और SHAP values लागू करके विश्लेषण करें कि फीचर्स मॉडल के व्यवहार को कैसे प्रभावित करते हैं। Explainability की अवधारणाओं को और समझने योग्य बनाने के लिए SHAP विज़ुअलाइज़ेशन टूल्स को एक्सप्लोर करें।

Exercise 1: Permutation importance Exercise 2: MLPClassifier के लिए permutation importance Exercise 3: Coefficients बनाम permutation importance Exercise 4: SHAP explainability Exercise 5: SHAP के साथ मेडिकल चार्ज के प्रमुख प्रेडिक्टर्स ढूँढना Exercise 6: SHAP के साथ हृदय रोग के मुख्य प्रेडिक्टर्स ढूँढना Exercise 7: SHAP kernel explainer Exercise 8: MLPRegressor के लिए Kernel explainer Exercise 9: MLPClassifier के लिए Kernel explainer Exercise 10: SHAP बनाम मॉडल-विशिष्ट तरीके Exercise 11: SHAP explainability का विज़ुअलाइज़ेशन Exercise 12: एडमिशन विश्लेषण के लिए फीचर इम्पॉर्टेंस प्लॉट्स Exercise 13: Beeswarm प्लॉट से फीचर प्रभावों का विश्लेषण Exercise 14: पार्शियल डिपेंडेंस प्लॉट्स से प्रभाव का आकलन

लोकल explainability में गहराई से जाएँ, और व्यक्तिगत प्रेडिक्शंस को समझाएँ। लोकल explainability के लिए SHAP का उपयोग करना सीखें। LIME में माहिर बनें ताकि एकल आउटपुट्स पर असर डालने वाले खास कारकों को उजागर कर सकें — चाहे डेटा टेक्स्टual हो, टैबुलर हो, या इमेज।

Exercise 1: SHAP के साथ लोकल explainability Exercise 2: Global बनाम local explainability

वर्तमान अभ्यास

Exercise 3: आय स्तर समझाने के लिए SHAP Exercise 4: LIME के साथ स्थानीय व्याख्यात्मकता Exercise 5: रेग्रेसर्स की लोकल व्याख्या Exercise 6: क्लासिफायर्स की स्थानीय व्याख्या Exercise 7: LIME के साथ टेक्स्ट और इमेज की व्याख्यात्मकता Exercise 8: Sentiment analysis की भविष्यवाणियों को समझाना Exercise 9: फूड इमेज प्रेडिक्शंस की व्याख्या

Explainable AI के एडवांस्ड टॉपिक्स एक्सप्लोर करें: मॉडल के व्यवहार और स्पष्टीकरण विधियों की प्रभावशीलता का आकलन करें। स्पष्टीकरणों की स्थिरता और विश्वसनीयता का मूल्यांकन करना सीखें, unsupervised मॉडलों का विश्लेषण करें, और ChatGPT जैसे जनरेटिव AI मॉडलों की तर्क-प्रक्रियाओं को स्पष्ट करना सीखें। जटिल AI सिस्टम्स में explainability को मापने और बेहतर करने की तकनीकें अपने पास रखें।

Exercise 1: Explainability मेट्रिक्स Exercise 2: SHAP एक्सप्लेनेशन की consistency का मूल्यांकन Exercise 3: LIME के साथ faithfulness का मूल्यांकन Exercise 4: Unsupervised मॉडलों की व्याख्या Exercise 5: क्लस्टर क्वालिटी पर फीचर का प्रभाव Exercise 6: ARI के साथ क्लस्टरिंग में फीचर इंपोर्टेंस Exercise 7: चैट-आधारित जनरेटिव AI मॉडलों को समझाना Exercise 8: तर्क खोजने के लिए चेन-ऑफ-थॉट Exercise 9: विश्वास का आकलन करने के लिए self-consistency Exercise 10: बधाई हो