Felicitări

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Acest exercițiu face parte din cursul

AI Explicabil în Python

SkillTag.level.intermediateSkillTag.label

4.8+

1125 reviews

Începe cursul gratuit

Începe prin a explora conceptele fundamentale ale AI explicabil. Vei învăța cum să extragi reguli de decizie din arbori de decizie și cum să derivezi și să vizualizezi importanța atributelor folosind modele liniare și bazate pe arbori, pentru a înțelege mai bine modul în care aceste modele fac predicții și pentru a facilita luarea deciziilor transparente.

Exercise 1: Introducere în AI explicabil Exercise 2: Arbori de decizie vs. rețele neuronale Exercise 3: Explicabilitate independentă de model vs. specifică unui model Exercise 4: Explicabilitate în modelele liniare Exercise 5: Calcularea impactului caracteristicilor cu regresia liniară Exercise 6: Calcularea impactului caracteristicilor cu regresia logistică Exercise 7: Explicabilitate în modelele bazate pe arbori Exercise 8: Calcularea importanței caracteristicilor cu arbori de decizie Exercise 9: Calcularea importanței caracteristicilor cu random forests

Descoperă tehnicile independente de model pentru a analiza influența atributelor în diferite tipuri de modele. Folosește importanța prin permutare și valorile SHAP pentru a înțelege cum afectează atributele comportamentul modelului. Explorează instrumentele de vizualizare SHAP pentru a face conceptele de explicabilitate mai ușor de înțeles.

Exercise 1: Importanța prin permutare Exercise 2: Importanța prin permutare pentru MLPClassifier Exercise 3: Coeficienți vs. importanță prin permutare Exercise 4: Explicabilitate SHAP Exercise 5: Identificarea principalilor predictori ai costurilor medicale cu SHAP Exercise 6: Identificarea principalilor predictori ai bolilor de inimă cu SHAP Exercise 7: Explicatorul kernel SHAP Exercise 8: Kernel Explainer pentru MLPRegressor Exercise 9: Kernel Explainer pentru MLPClassifier Exercise 10: SHAP vs. abordări specifice modelului Exercise 11: Vizualizarea explicabilității SHAP Exercise 12: Grafice de importanță a caracteristicilor pentru analiza admiterilor Exercise 13: Analiza efectelor caracteristicilor cu grafice beeswarm Exercise 14: Evaluarea impactului cu grafice de dependență parțială

Aprofundează explicabilitatea locală și înțelege predicțiile individuale. Vei învăța cum să folosești SHAP pentru explicabilitate locală și cum să aplici LIME pentru a identifica factorii specifici care influențează rezultate individuale – indiferent dacă lucrezi cu date textuale, tabulare sau imagini.

Exercise 1: Explicabilitate locală cu SHAP Exercise 2: Explicabilitate globală vs. locală Exercise 3: SHAP pentru explicarea nivelurilor de venit Exercise 4: Explicabilitate locală cu LIME Exercise 5: Interpretarea locală a regresorilor Exercise 6: Interpretarea locală a clasificatorilor Exercise 7: Explicabilitatea textelor și imaginilor cu LIME Exercise 8: Explicarea predicțiilor de analiză a sentimentelor Exercise 9: Explicarea predicțiilor pentru imagini cu mâncare

Explorează subiecte avansate în AI explicabil: evaluează comportamentul modelelor și eficiența metodelor de explicație. Vei dobândi competențe în evaluarea coerenței și fidelității explicațiilor, vei analiza modele nesupravegheate și vei învăța să clarifici procesele de raționament ale modelelor AI generative, precum ChatGPT. Îți vei însuși tehnici pentru a măsura și îmbunătăți explicabilitatea în sisteme AI complexe.

Exercise 1: Metrici de explicabilitate Exercise 2: Evaluarea consistenței explicațiilor SHAP Exercise 3: Evaluarea fidelității cu LIME Exercise 4: Explicarea modelelor nesupravegheate Exercise 5: Impactul caracteristicilor asupra calității clusterizării Exercise 6: Importanța caracteristicilor în clustering cu ARI Exercise 7: Explicarea modelelor generative de tip chat Exercise 8: Chain-of-thought pentru descoperirea raționamentului Exercise 9: Auto-consistența pentru evaluarea încrederii Exercise 10: Felicitări

Exercițiul curent