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. 

Explicabilidade local com SHAP

Alternativas

Explicabilidade global

Explicabilidade local

Explicabilidade global vs. local

SHAP para explicar níveis de renda

Explicabilidade local com LIME

Interpretar regressores localmente

Interpretar classificadores localmente

Explicabilidade de texto e imagem com LIME

Explicar as previsões da análise de sentimentos

Explicar as previsões de imagens de alimentos

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

A IA explicável é essencial para cientistas de dados e profissionais de aprendizado de máquina. Este curso equipará você com as habilidades para interpretar comportamentos de modelos de IA usando Python. Você usará a biblioteca Scikit-learn do Python e ferramentas como SHAP e LIME para visualizar e obter insights sobre o comportamento do modelo. Ao final do curso, você será capaz de criar sistemas de IA mais transparentes, confiáveis e responsáveis.

<h2>Descubra o poder da IA explicável</h2>
Embarque em uma jornada pelo intrigante mundo da IA explicável e descubra os mistérios por trás da tomada de decisões da IA. Ideal para cientistas de dados e profissionais de ML, este curso fornece a você as habilidades essenciais para interpretar e elucidar comportamentos de modelos de IA usando Python, capacitando-o a criar sistemas de IA mais transparentes, confiáveis e responsáveis. Ao dominar a IA explicável, você aumentará sua capacidade de depurar modelos, atender aos requisitos regulamentares e criar confiança em aplicativos de IA em diversos setores.

<h2>Explore as técnicas de explicabilidade</h2>
Comece entendendo as abordagens de explicabilidade específicas do modelo. Use as bibliotecas do Python, como o Scikit-learn, para visualizar árvores de decisão e analisar o impacto de recursos em modelos lineares. Em seguida, passe para as técnicas agnósticas de modelo que funcionam em vários modelos. Utilize ferramentas como SHAP e LIME para oferecer insights detalhados sobre o comportamento geral do modelo e as previsões individuais, refinando sua capacidade de analisar e explicar modelos de IA em aplicações do mundo real.

<h2>Mergulhe fundo na explicabilidade</h2>
Aprenda a avaliar a confiabilidade e a consistência das explicações, entenda as nuances da explicação de modelos não supervisionados e explore o potencial da explicação de modelos de IA generativos por meio de exemplos práticos. Ao final do curso, você terá o conhecimento e as ferramentas para explicar com confiança as decisões do modelo de IA, garantindo transparência e confiabilidade em seus aplicativos de IA.

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

Adquira habilidades essenciais com Scikit-learn, SHAP e LIME para criar sistemas de IA transparentes.

IA explicável em Python

Adquira as habilidades essenciais usando Scikit-learn, SHAP e LIME para testar e criar sistemas de IA transparentes, confiáveis e responsáveis.

Engenheiro associado de IA para cientistas de dados

Saber qual característica é a mais importante para prever o risco de doença cardíaca

Identificação do recurso menos importante para prever as taxas de seguro

Identificar as três principais características que afetam a quantidade de gorjetas dadas em um restaurante

Saber por que um aluno não foi admitido na escola de pós-graduação

Saber por que a renda de um jovem de 20 anos com 2 anos de experiência é inferior a 50 mil

Identificar por que um cliente cancelou a assinatura em um modelo de assinatura

Explicabilidade global vs. local

IA explicável em Python

exercicio interativo prático