Börja med att utforska de grundläggande begreppen inom förklarbar AI. Lär dig att extrahera beslutsregler från beslutsträd. Härled och visualisera särdragsvikt med hjälp av linjära modeller och trädbaserade modeller för att förstå hur dessa modeller gör sina prediktioner och möjliggöra ett mer transparent beslutsfattande.

Introduktion till förklarbar AI

Beslutsträd mot neurala nätverk

Modell-agnostisk vs. modellspecifik förklarbarhet

Förklarbarhet i linjära modeller

Beräkna särdragspåverkan med linjär regression

Beräkna särdragspåverkan med logistisk regression

Förklarbarhet i trädbaserade modeller

Beräkna särdragsviktigheter med beslutsträd

Beräkna särdragsvikt med random forests

Grunderna i förklarbar AI

Lär dig använda modell-agnostiska tekniker för att analysera särdragsinfluens i olika modeller. Använd permutationsvikt och SHAP-värden för att undersöka hur särdrag påverkar modellbeteende. Utforska SHAP:s visualiseringsverktyg för att göra förklarbarhetsbegrepp mer begripliga.

Permutationsviktighet

Permutationsimportans för MLPClassifier

Koefficienter vs. permutationsvikt

SHAP-förklarbarhet

Hitta viktiga prediktorer för sjukvårdskostnader med SHAP

Hitta viktiga prediktorer för hjärtsjukdom med SHAP

SHAP kernel-förklarare

Kernel Explainer för MLPRegressor

Kernel Explainer för MLPClassifier

SHAP jämfört med modellspecifika metoder

Visualisering av SHAP-förklarbarhet

Diagram över särdragsvikter för antagningsanalys

Analysera särdragseffekter med beeswarm-diagram

Utvärdera påverkan med partiella beroendeplot

Modell-agnostisk förklarbarhet

Fördjupa dig i lokal förklarbarhet och lär dig att förklara enskilda prediktioner. Lär dig använda SHAP för lokal förklarbarhet. Bemästra LIME för att identifiera de specifika faktorer som påverkar enstaka utfall – oavsett om det gäller text-, tabell- eller bilddata.

Lokal förklarbarhet med SHAP

Global vs. lokal förklarbarhet

SHAP för att förklara inkomstnivåer

Lokal förklarbarhet med LIME

Lokal tolkning av regressorer

Lokal tolkning av klassificerare

Text- och bildförklarbarhet med LIME

Förklara prediktioner för sentimentanalys

Förklara prediktioner för matbilder

Lokal förklarbarhet

Utforska avancerade ämnen inom förklarbar AI genom att utvärdera modellers beteende och förklaringsmetoders effektivitet. Lär dig bedöma förklaringars konsekvens och trovärdighet, fördjupa dig i analys av oövervakade modeller och lär dig att klargöra resonemangsprocesserna hos generativa AI-modeller som ChatGPT. Skaffa dig tekniker för att mäta och förbättra förklarbarhet i komplexa AI-system.

Förklarbarhetsmått

Utvärdera konsistensen hos SHAP-förklaringar

Utvärdera trovärdighet med LIME

Förklara oövervakade modeller

Särdragets inverkan på klusterkvalitet

Särdragets vikt vid klustring med ARI

Att förklara chattbaserade generativa AI-modeller

Tankekedjor för att synliggöra resonemanget

Självkonsistens för att bedöma säkerhet

Grattis

Avancerade ämnen inom förklarbar AI

Heart disease

Income

Graduate admissions

Insurance

Förklarbar AI är avgörande för datavetare och maskininlärningspraktiker. Den här kursen ger dig verktygen för att tolka AI-modellers beteende med hjälp av Python. Du använder Pythons Scikit-learn-bibliotek samt verktyg som SHAP och LIME för att visualisera och förstå hur modeller beter sig. När du är klar med kursen kan du bygga AI-system som är mer transparenta, tillförlitliga och ansvarsfulla.

<h2>Upptäck kraften i förklarbar AI</h2>
Ge dig ut på en resa in i den fascinerande världen av förklarbar AI och avslöja mysterierna bakom AI:s beslutsfattande. Perfekt för datavetare och ML-utövare ger den här kursen dig de viktigaste färdigheterna för att tolka och förklara AI-modellers beteenden med hjälp av Python, så att du kan bygga mer transparenta, tillförlitliga och ansvarsfulla AI-system. Genom att bemästra förklarbar AI förbättrar du din förmåga att felsöka modeller, uppfylla regulatoriska krav och bygga förtroende för AI-applikationer inom en rad olika branscher.

<h2>Utforska förklarbarhetstekniker</h2>
Börja med att förstå modellspecifika förklarbarhetsmetoder. Använd Pythons bibliotek som Scikit-learn för att visualisera beslutsträd och analysera egenskaps påverkan i linjära modeller. Sedan går du vidare till modelloberoende tekniker som fungerar över olika modeller. Använd verktyg som SHAP och LIME för att ge detaljerade insikter i modellens övergripande beteende och enskilda prediktioner, och förfina din förmåga att analysera och förklara AI-modeller i verkliga tillämpningar.

<h2>Fördjupa dig i förklarbarhet</h2>
Lär dig att bedöma tillförlitligheten och konsekvensen i förklaringar, förstå nyanserna i att förklara oövervakade modeller och utforska potentialen i att förklara generativa AI-modeller genom praktiska exempel. I slutet av kursen kommer du att ha kunskapen och verktygen för att med säkerhet kunna förklara AI-modellers beslut, vilket säkerställer transparens och tillförlitlighet i dina AI-applikationer.

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

Lär dig använda Scikit-learn, SHAP och LIME för att skapa transparenta och pålitliga AI-system.

Förklarbar AI i Python

Bygg viktiga färdigheter med Scikit-learn, SHAP och LIME för att testa och skapa transparenta, tillförlitliga och ansvarsfulla AI-system.

Grattis

Create Your Free Account