Begin your journey by exploring the foundational concepts of explainable AI. Learn how to extract decision rules from decision trees. Derive and visualize feature importance using linear and tree-based models to gain insights into how these models make predictions, enabling more transparent decision-making.

Introduction to explainable AI

Decision trees vs. neural networks

Model-agnostic vs. model-specific explainability

Explainability in linear models

Computing feature impact with linear regression

Computing feature impact with logistic regression

Explainability in tree-based models

Computing feature importance with decision trees

Computing feature importance with random forests

Foundations of Explainable AI

Unlock the power of model-agnostic techniques to discern feature influence across various models. Employ permutation importance and SHAP values to analyze how features impact model behavior. Explore SHAP visualization tools to make explainability concepts more comprehensible.

Permutation importance

Permutation importance for MLPClassifier

Coefficients vs. permutation importance

SHAP explainability

Finding key medical charge predictors with SHAP

Finding key  heart disease predictors with SHAP

SHAP kernel explainer

Kernel explainer for MLPRegressor

Kernel explainer for MLPClassifier

SHAP vs. model-specific approaches

Visualizing SHAP explainability

Feature Importance plots for admissions analysis

Analyzing feature effects with beeswarm plots

Assessing impact with partial dependence plots

Model-Agnostic Explainability

Dive into local explainability, and explain individual predictions. Learn to leverage SHAP for local explainability. Master LIME to reveal the specific factors influencing single outcomes, whether through textual, tabular, or image data. 

Local explainability with SHAP

Global vs. local explainability

SHAP for explaining income levels

Local explainability with LIME

Interpreting regressors locally

Interpreting classifiers locally

Text and image explainability with LIME

Explaining sentiment analysis predictions

Explaining food image predictions

Local Explainability

Explore advanced topics in explainable AI by assessing model behaviors and the effectiveness of explanation methods. Gain proficiency in evaluating the consistency and faithfulness of explanations, delve into unsupervised model analysis, and learn to clarify the reasoning processes of generative AI models like ChatGPT. Equip yourself with techniques to measure and enhance explainability in complex AI systems.

Metriche di spiegabilità

Valutare la coerenza delle spiegazioni SHAP

Valutare la fedeltà con LIME

Spiegare i modelli non supervisionati

Impatto delle caratteristiche sulla qualità dei cluster

Importanza delle feature nel clustering con ARI

Spiegare i modelli di AI generativa basati su chat

Chain-of-thought per scoprire il ragionamento

Autocoerenza per stimare la confidenza

Congratulazioni

Advanced topics in explainable AI

Graduate admissions

Heart disease

Insurance

Income

L'Explainable AI è fondamentale per data scientist e professionisti del Machine Learning. Questo corso ti fornirà le competenze per interpretare i comportamenti dei modelli di AI usando Python. Userai la libreria Scikit-learn di Python e strumenti come SHAP e LIME per visualizzare e ottenere insight sul comportamento dei modelli. Alla fine del corso, sarai in grado di costruire sistemi di AI più trasparenti, affidabili e responsabili.

<h2>Scopri il potere dell'IA spiegabile</h2>
Fai un viaggio nel mondo affascinante dell'IA spiegabile e scopri i misteri dietro il processo decisionale dell'IA. Perfetto per chi lavora con i dati e per chi usa l'apprendimento automatico, questo corso ti dà le competenze giuste per capire e spiegare come funzionano i modelli di intelligenza artificiale usando Python, permettendoti di creare sistemi di intelligenza artificiale più trasparenti, affidabili e responsabili. Padroneggiando l'IA spiegabile, potrai migliorare la tua capacità di correggere i modelli, rispettare i requisiti normativi e creare fiducia nelle applicazioni di IA in diversi settori.

<h2>Scopri le tecniche di spiegabilità</h2>
Inizia a capire gli approcci di spiegabilità specifici per ogni modello. Usa le librerie di Python come Scikit-learn per visualizzare gli alberi decisionali e capire come le caratteristiche influiscono nei modelli lineari. Poi, passa a tecniche indipendenti dal modello che funzionano su vari modelli. Usa strumenti come SHAP e LIME per capire meglio come funziona il modello in generale e le singole previsioni, migliorando la tua capacità di analizzare e spiegare i modelli di IA nelle applicazioni del mondo reale.

<h2>Approfondisci il tema della spiegabilità</h2>
Impara a capire quanto sono affidabili e coerenti le spiegazioni, scopri le sfumature di come si spiegano i modelli non supervisionati e dai un'occhiata al potenziale di spiegare i modelli di IA generativa con esempi pratici. Alla fine del corso, avrai le conoscenze e gli strumenti per spiegare con sicurezza le decisioni dei modelli di IA, garantendo trasparenza e affidabilità nelle tue app di IA.

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

Acquisisci competenze essenziali con Scikit-learn, SHAP e LIME per creare sistemi AI trasparenti e affidabili.

Explainable AI in Python

Impara le competenze essenziali usando Scikit-learn, SHAP e LIME per testare e costruire sistemi di IA trasparenti, affidabili e responsabili.

Ingegnere AI associato per scienziati dei dati

Machine Learning Engineer

Explaining chat-based generative AI models

Chat-based generative AI models

Chain-of-thought prompt

Creating a chain-of-thought prompt

Self-consistency

Self-consistency in text classification

Creating self-consistency prompts

Let's practice!

Advanced topics in explainable AI - Spiegare i modelli di AI generativa basati su chat

Spiegare i modelli di AI generativa basati su chat

Create Your Free Account