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.

Introduzione alla explainable AI

Alberi decisionali vs. reti neurali

Spiegabilità model-agnostic vs. model-specific

Spiegabilità nei modelli lineari

Calcolare l'impatto delle feature con la regressione lineare

Calcolare l'impatto delle feature con la regressione logistica

Spiegabilità nei modelli basati su alberi

Calcolare l’importanza delle feature con i decision tree

Calcolare l'importanza delle feature con le random forest

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.

Explainability metrics

Evaluating SHAP explanation consistency

Evaluating faithfulness with LIME

Explaining unsupervised models

Feature impact on cluster quality

Feature importance in clustering with ARI

Explaining chat-based generative AI models

Chain-of-thought to discover reasoning

Self-consistency to assess confidence

Congratulations

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.

Spiegabilità nei modelli basati su alberi

Create Your Free Account