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. 

SHAP ile yerel açıklanabilirlik

Seçenekler

Global açıklanabilirlik

Lokal açıklanabilirlik

Global ve lokal açıklanabilirlik

Gelir düzeylerini açıklamak için SHAP

LIME ile yerel açıklanabilirlik

Regresörleri yerelde yorumlama

Sınıflandırıcıları yerelde yorumlama

LIME ile metin ve görsel açıklanabilirliği

Duygu analizi tahminlerini açıklama

Yiyecek görseli tahminlerini açıklama

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

Açıklanabilir AI, veri bilimciler ve Machine Learning uygulayıcıları için kritik öneme sahiptir. Bu kurs, Python kullanarak AI modellerinin davranışlarını yorumlama becerileri kazandıracak. Python'un Scikit-learn kütüphanesini ve SHAP ile LIME gibi araçları kullanarak model davranışını görselleştirip içgörüler elde edeceksin. Kursun sonunda daha şeffaf, güvenilir ve hesap verebilir AI sistemleri kurabileceksin.

<h2>Açıklanabilir Yapay Zekanın Gücünü Keşfedin</h2>
Açıklanabilir yapay zekanın ilgi çekici dünyasına bir yolculuğa çıkın ve yapay zekanın karar verme sürecinin ardındaki gizemleri keşfedin. Veri bilimcileri ve makine öğrenimi uzmanları için ideal olan bu kurs, Python kullanarak yapay zeka model davranışlarını yorumlamak ve açıklamak için gerekli becerileri kazandırarak, daha şeffaf, güvenilir ve hesap verebilir yapay zeka sistemleri oluşturmanıza olanak tanır. Açıklanabilir yapay zekayı ustalıkla kullanarak, modelleri hata ayıklama becerinizi geliştirecek, yasal gereklilikleri karşılayacak ve çeşitli sektörlerde yapay zeka uygulamalarına olan güveni artıracaksınız.

<h2>Açıklanabilirlik Tekniklerini Keşfedin</h2>
Model özelinde açıklanabilirlik yaklaşımlarını anlamakla başlayın. Karar ağaçlarını görselleştirmek ve doğrusal modellerde özellik etkilerini analiz etmek için Scikit-learn gibi Python kütüphanelerini kullanın. Ardından, çeşitli modellerde çalışan modelden bağımsız tekniklere geçin. SHAP ve LIME gibi araçları kullanarak genel model davranışı ve bireysel tahminler hakkında ayrıntılı bilgiler sunun, gerçek dünya uygulamalarında AI modellerini analiz etme ve açıklama becerinizi geliştirin.

<h2>Açıklanabilirlik konusunda daha derinlemesine bilgi edinin</h2>
Açıklamaların güvenilirliğini ve tutarlılığını değerlendirmeyi öğrenin, denetimsiz modellerin açıklanmasındaki nüansları anlayın ve pratik örnekler aracılığıyla üretken AI modellerini açıklamanın potansiyelini keşfedin. Kursun sonunda, AI model kararlarını güvenle açıklayabilecek bilgi ve araçlara sahip olacak, AI uygulamalarınızda şeffaflık ve güvenilirlik sağlayacaksınız.

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

Scikit-learn, SHAP ve LIME ile şeffaf ve güvenilir AI sistemleri oluşturmayı öğrenin.

Python ile Açıklanabilir AI

Scikit-learn, SHAP ve LIME kullanarak şeffaf, güvenilir ve hesap verebilir AI sistemlerini test etmek ve oluşturmak için gerekli becerileri edinin.

Veri Bilimcileri için Yardımcı Yapay Zeka Mühendisi

Kalp hastalığı riskini tahmin etmek için en önemli özelliğin hangisi olduğunu bilmek

Sigorta ücretlerini tahmin etmek için en önemsiz özelliği belirlemek

Bir restoranda verilen bahşiş miktarını etkileyen en önemli üç özelliği belirlemek

Bir öğrencinin lisansüstü programa neden kabul edilmediğini bilmek

2 yıllık deneyimi olan 20 yaşındaki birinin gelirinin neden 50 binin altında olduğunu bilmek

Abonelik modelinde bir müşterinin neden ayrıldığını (churn) belirlemek

Global ve lokal açıklanabilirlik

Python ile Açıklanabilir AI

Uygulamalı interaktif egzersiz