Keterjelasan model-agnostic vs. model-specific

Pernyataan mana yang benar tentang pendekatan keterjelasan model-agnostic dan model-specific? Ada dua jawaban yang benar.

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Explainable AI in Python

SkillTag.level.intermediateSkillTag.label

4.8+

1126 reviews

Mulai Kursus Gratis

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.

Exercise 1: Pengantar Explainable AI Exercise 2: Pohon keputusan vs. jaringan saraf Exercise 3: Keterjelasan model-agnostic vs. model-specific

Latihan Saat Ini

Exercise 4: Keterjelasan pada model linear Exercise 5: Menghitung dampak fitur dengan regresi linear Exercise 6: Menghitung dampak fitur dengan logistic regression Exercise 7: Keterjelasan pada model berbasis pohon Exercise 8: Menghitung feature importance dengan decision tree Exercise 9: Menghitung feature importance dengan random forests

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.

Exercise 1: Pentingnya permutasi Exercise 2: Permutation importance untuk MLPClassifier Exercise 3: Koefisien vs. permutation importance Exercise 4: Penjelasan dengan SHAP Exercise 5: Menemukan prediktor utama biaya medis dengan SHAP Exercise 6: Menemukan prediktor utama penyakit jantung dengan SHAP Exercise 7: Penjelas kernel SHAP Exercise 8: Kernel explainer untuk MLPRegressor Exercise 9: Kernel explainer untuk MLPClassifier Exercise 10: SHAP vs. pendekatan spesifik model Exercise 11: Memvisualisasikan keterjelasan SHAP Exercise 12: Plot Feature Importance untuk analisis penerimaan Exercise 13: Menganalisis pengaruh fitur dengan plot beeswarm Exercise 14: Menilai dampak dengan partial dependence plot

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.

Exercise 1: Keterjelasan lokal dengan SHAP Exercise 2: Penjelasan global vs. lokal Exercise 3: SHAP untuk menjelaskan tingkat pendapatan Exercise 4: Penjelasan lokal dengan LIME Exercise 5: Menafsirkan regressor secara lokal Exercise 6: Menafsirkan classifier secara lokal Exercise 7: Keterjelasan teks dan gambar dengan LIME Exercise 8: Menjelaskan prediksi analisis sentimen Exercise 9: Menjelaskan prediksi gambar makanan

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.

Exercise 1: Metrik keterjelasan Exercise 2: Mengevaluasi konsistensi penjelasan SHAP Exercise 3: Mengevaluasi faithfulness dengan LIME Exercise 4: Menjelaskan model tanpa supervisi Exercise 5: Dampak fitur pada kualitas klaster Exercise 6: Kepentingan fitur dalam pengelompokan dengan ARI Exercise 7: Menjelaskan model AI generatif berbasis chat Exercise 8: Chain-of-thought untuk menemukan penalaran Exercise 9: Self-consistency untuk menilai keyakinan Exercise 10: Selamat