Mulailah perjalanan Anda dengan mengeksplorasi konsep dasar Explainable AI. Pelajari cara mengekstrak aturan keputusan dari decision tree. Turunkan dan visualisasikan pentingnya fitur menggunakan model linear dan berbasis pohon untuk memperoleh wawasan tentang bagaimana model membuat prediksi, sehingga memungkinkan pengambilan keputusan yang lebih transparan.

Pengantar Explainable AI

Pohon keputusan vs. jaringan saraf

Keterjelasan model-agnostic vs. model-specific

Keterjelasan pada model linear

Menghitung dampak fitur dengan regresi linear

Menghitung dampak fitur dengan logistic regression

Keterjelasan pada model berbasis pohon

Menghitung feature importance dengan decision tree

Menghitung feature importance dengan random forests

Dasar-dasar Explainable AI

Manfaatkan teknik agnostik model untuk mengungkap pengaruh fitur di berbagai model. Gunakan permutation importance dan nilai SHAP untuk menganalisis bagaimana fitur memengaruhi perilaku model. Jelajahi alat visualisasi SHAP untuk memudahkan pemahaman konsep explainability.

Pentingnya permutasi

Permutation importance untuk MLPClassifier

Koefisien vs. permutation importance

Penjelasan dengan SHAP

Menemukan prediktor utama biaya medis dengan SHAP

Menemukan prediktor utama penyakit jantung dengan SHAP

Penjelas kernel SHAP

Kernel explainer untuk MLPRegressor

Kernel explainer untuk MLPClassifier

SHAP vs. pendekatan spesifik model

Memvisualisasikan keterjelasan SHAP

Plot Feature Importance untuk analisis penerimaan

Menganalisis pengaruh fitur dengan plot beeswarm

Menilai dampak dengan partial dependence plot

Explainability yang Agnostik Model

Dalami explainability lokal, dan jelaskan prediksi individual. Pelajari cara memanfaatkan SHAP untuk explainability lokal. Kuasai LIME untuk mengungkap faktor spesifik yang memengaruhi satu hasil, baik melalui data teks, tabular, maupun gambar.

Keterjelasan lokal dengan SHAP

Penjelasan global vs. lokal

SHAP untuk menjelaskan tingkat pendapatan

Penjelasan lokal dengan LIME

Menafsirkan regressor secara lokal

Menafsirkan classifier secara lokal

Keterjelasan teks dan gambar dengan LIME

Menjelaskan prediksi analisis sentimen

Menjelaskan prediksi gambar makanan

Explainability Lokal

Jelajahi topik lanjutan dalam Explainable AI dengan menilai perilaku model dan efektivitas metode penjelasan. Kuasai cara mengevaluasi konsistensi dan kesetiaan penjelasan, telusuri analisis model tanpa supervisi, dan pelajari cara memperjelas proses penalaran model AI generatif seperti ChatGPT. Lengkapi diri Anda dengan teknik untuk mengukur dan meningkatkan explainability dalam sistem AI yang kompleks.

Metrik keterjelasan

Mengevaluasi konsistensi penjelasan SHAP

Mengevaluasi faithfulness dengan LIME

Menjelaskan model tanpa supervisi

Dampak fitur pada kualitas klaster

Kepentingan fitur dalam pengelompokan dengan ARI

Menjelaskan model AI generatif berbasis chat

Chain-of-thought untuk menemukan penalaran

Self-consistency untuk menilai keyakinan

Selamat

Topik Lanjutan dalam Explainable AI

Heart disease

Income

Graduate admissions

Insurance

Explainable AI sangat penting bagi data scientist dan praktisi Machine Learning. Kursus ini akan membekali Anda dengan keterampilan untuk menafsirkan perilaku model AI menggunakan Python. Anda akan menggunakan pustaka Scikit-learn di Python serta alat seperti SHAP dan LIME untuk memvisualisasikan dan memperoleh wawasan tentang perilaku model. Di akhir kursus, Anda akan mampu membangun sistem AI yang lebih transparan, tepercaya, dan akuntabel.

<h2>Temukan Kekuatan Explainable AI</h2>
Mulailah perjalanan ke dunia explainable AI yang menarik dan ungkap misteri di balik pengambilan keputusan AI. Ideal untuk ilmuwan data dan praktisi ML, kursus ini membekali Anda dengan keterampilan penting untuk menafsirkan dan menjelaskan perilaku model AI menggunakan Python, sehingga Anda dapat membangun sistem AI yang lebih transparan, tepercaya, dan akuntabel. Dengan menguasai explainable AI, Anda akan meningkatkan kemampuan untuk men-debug model, memenuhi persyaratan regulasi, dan membangun kepercayaan pada aplikasi AI di berbagai industri.

<h2>Jelajahi Teknik Explainability</h2>
Mulailah dengan memahami pendekatan explainability yang spesifik untuk model. Gunakan pustaka Python seperti Scikit-learn untuk memvisualisasikan pohon keputusan dan menganalisis dampak fitur dalam model linear. Kemudian, beralihlah ke teknik model-agnostik yang bekerja di berbagai model. Gunakan alat seperti SHAP dan LIME untuk memberikan wawasan mendetail tentang perilaku model secara keseluruhan dan prediksi individual, sehingga meningkatkan kemampuan Anda untuk menganalisis dan menjelaskan model AI dalam aplikasi dunia nyata.

<h2>Selami lebih dalam explainability</h2>
Pelajari cara menilai keandalan dan konsistensi penjelasan, pahami nuansa dalam menjelaskan model tanpa pengawasan, dan jelajahi potensi menjelaskan model AI generatif melalui contoh-contoh praktis. Di akhir kursus, Anda akan memiliki pengetahuan dan alat untuk menjelaskan keputusan model AI dengan percaya diri, sehingga memastikan transparansi dan keandalan dalam aplikasi AI Anda.

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

Pelajari keterampilan penting dengan Scikit-learn, SHAP, dan LIME untuk membangun AI yang transparan.

Explainable AI in Python

Dapatkan keterampilan penting menggunakan Scikit-learn, SHAP, dan LIME untuk menguji dan membangun sistem AI yang transparan, tepercaya, dan akuntabel.

Selamat

Create Your Free Account