從 Explainable AI 的核心概念開始入門。學習如何從決策樹萃取決策規則。透過線性模型與樹狀模型推導並視覺化特徵重要性，理解這些模型如何做出預測，讓決策更透明。

解釋型 AI 簡介

決策樹 vs. 類神經網路

與模型無關 vs. 與模型相關的可解釋性

線性模型的可解釋性

用線性迴歸計算特徵影響力

用邏輯斯回歸計算特徵影響力

以樹為基礎的模型可解釋性

使用決策樹計算特徵重要度

使用隨機森林計算特徵重要性

Explainable AI 基礎

掌握與模型無關的方法，跨各種模型辨識特徵影響力。運用置換重要性與 SHAP 值分析特徵如何影響模型行為。探索 SHAP 的視覺化工具，讓可解釋性概念更容易理解。

Permutation importance（置換重要性）

MLPClassifier 的置換重要度（Permutation importance）

係數 vs. 置換重要性

SHAP 可解釋性

用 SHAP 找出關鍵的醫療費用預測因子

用 SHAP 找出心臟疾病的關鍵預測因子

SHAP kernel explainer

MLPRegressor 的 Kernel Explainer

MLPClassifier 的 Kernel Explainer

SHAP 與模型特定方法的比較

視覺化 SHAP 可解釋性

申請錄取分析的特徵重要度圖

用蜂群圖分析特徵影響

使用部分相依圖評估影響

與模型無關的可解釋性

深入在地可解釋性，說明個別預測的原因。學習運用 SHAP 進行在地可解釋性。精通 LIME，揭示影響單一結果的關鍵因素，無論是文字、表格，或影像資料。

使用 SHAP 進行在地可解釋性

選項

全域可解釋性

在地可解釋性

全域 vs. 在地可解釋性

用 SHAP 解釋收入等級

使用 LIME 的在地可解釋性

在局部層次解讀迴歸模型

局部解釋分類器

使用 LIME 說明文字與影像的可解釋性

解釋情感分析的預測結果

解釋食物影像的預測

透過評估模型行為與解釋方法的成效，探索 Explainable AI 的進階主題。培養評估解釋一致性與忠實度的能力，深入無監督模型的分析，並學習釐清像 ChatGPT 這類生成式 AI 模型的推理過程。掌握衡量與強化複雜 AI 系統可解釋性的技術。

可解釋性評估指標

評估 SHAP 解釋的一致性

用 LIME 評估 faithfulness

解釋非監督式模型

特徵對叢集品質的影響

使用 ARI 評估叢集中的特徵重要性

解釋以聊天為基礎的生成式 AI 模型

用連鎖思維找出推理過程

用自洽性評估信心度

恭喜你

Explainable AI 進階主題

Heart disease

Income

Graduate admissions

Insurance

對資料科學家與機器學習實務工作者來說，Explainable AI 至關重要。這門課會帶你用 Python 來解讀 AI 模型的行為。你將使用 Python 的 scikit-learn 函式庫，以及 SHAP 與 LIME 等工具來視覺化並洞察模型行為。完成課程後，你能打造更透明、可信且可負責的 AI 系統。

<h2>探索可解釋 AI 的強大力量</h2>
踏上探索可解釋 AI 世界的旅程，深入了解 AI 決策背後的奧秘。 本課程專為資料科學家與機器學習從業者設計，將帶給您運用Python解讀並說明AI模型行為的關鍵技能，協助您打造更具透明度、可信度與可責性的AI系統。 透過精通可解釋性人工智慧（explainable AI），您將提升除錯模型的能力，滿足法規要求，並在各行各業中建立對人工智慧應用的信心。

<h2>探索可解釋性技術</h2>
從瞭解模型專屬的可解釋性方法開始。 使用 Python 的 Scikit-learn 等函式庫，視覺化決策樹並分析線性模型中各特徵的影響。 接著，您將學習適用於各種模型的模型無關技術。 運用像 SHAP 和 LIME 這類工具，深入解析整體模型行為及個別預測結果，提升您在實際應用中分析與解釋 AI 模型的能力。

<h2>深入探索可解釋性</h2>
學習如何評估解釋的可靠性與一致性，理解解釋非監督式模型的細微差異，並透過實際範例探索解釋生成式AI模型的潛力。 在本課程結束時，您將具備解釋 AI 模型決策的知識與工具，確保您的 AI 應用具備透明度與可信度。

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

使用Scikit-learn、SHAP和LIME獲取必要技能，建立透明、可信賴和負責任的AI系統。

Python 的 Explainable AI

掌握 Scikit-learn、SHAP 與 LIME，測試並打造透明、可信且可負責的 AI 系統。

AI 工程師助理職涯路徑（適合資料科學家）

瞭解哪個特徵對預測心臟疾病風險最重要

找出對預測保險費用最不重要的特徵

識別影響餐廳小費金額的前三大關鍵特徵

瞭解為什麼某位學生未被研究所錄取

瞭解為什麼一位 20 歲、具 2 年經驗者的收入低於 50k

找出某位訂閱制客戶退訂的原因

全域 vs. 在地可解釋性

Python 的 Explainable AI

動手互動練習