从可解释性 AI 的核心概念入手。学习如何从决策树中提取决策规则。使用线性模型和基于树的模型推导并可视化特征重要性，了解这些模型如何做出预测，从而实现更透明的决策。

Explainable AI 简介

决策树 vs. 神经网络

与模型无关 vs. 针对特定模型的可解释性

线性模型的可解释性

用线性回归计算特征影响力

用逻辑回归计算特征影响力

基于树模型的可解释性

用决策树计算特征重要性

使用随机森林计算特征重要性

可解释性 AI 基础

掌握与模型无关的方法，以比较不同模型中的特征影响。使用置换重要性和 SHAP 值分析特征如何影响模型行为。探索 SHAP 可视化工具，使可解释性概念更加直观易懂。

Permutation importance（置换重要性）

MLPClassifier 的置换重要性

系数 vs. 置换重要性

SHAP 可解释性

用 SHAP 找出关键的医疗费用预测因子

用 SHAP 找出心脏病的关键预测因子

SHAP kernel 解释器

用于 MLPRegressor 的 Kernel Explainer

用于 MLPClassifier 的 Kernel Explainer

SHAP 与模型特定方法对比

可视化 SHAP 可解释性

招生分析的特征重要性可视化

用蜂群图分析特征影响

使用部分依赖图评估影响

与模型无关的可解释性

深入学习局部可解释性，解释单条预测。学习使用 SHAP 实现局部可解释性。掌握 LIME，揭示影响单个结果的具体因素，适用于文本、表格或图像数据。

使用 SHAP 进行本地可解释性

选项

全局可解释性

局部可解释性

全局与局部可解释性

用 SHAP 解释收入水平

使用 LIME 进行局部可解释性

回归模型的局部解释

对分类器进行本地解释

使用 LIME 解释文本与图像

解释情感分析的预测

解释食物图像的预测

通过评估模型行为与解释方法的有效性，探索可解释性 AI 的进阶主题。提升您评估解释一致性与忠实度的能力，深入无监督模型分析，并学习阐明 ChatGPT 等生成式 AI 模型的推理过程。掌握度量与提升复杂 AI 系统可解释性的技术。

可解释性度量

评估 SHAP 解释的一致性

用 LIME 评估忠实度

解释无监督模型

特征对聚类质量的影响

使用 ARI 评估聚类中的特征重要性

解释基于聊天的生成式 AI 模型

用连贯思维揭示推理过程

用自一致性评估置信度

恭喜您

可解释性 AI 进阶主题

Heart disease

Income

Graduate admissions

Insurance

对于数据科学家和机器学习从业者来说，可解释性 AI 至关重要。本课程将帮助您使用 Python 解释 AI 模型的行为。您将使用 Python 的 Scikit-learn 库以及 SHAP 和 LIME 等工具，对模型行为进行可视化并获取洞见。课程结束后，您将能够构建更加透明、可信、且可追责的 AI 系统。

<h2>探索可解释人工智能的力量</h2>
踏上探索可解释人工智能这一引人入胜领域的旅程，揭开 AI 决策背后的奥秘。 非常适合数据科学家和机器学习从业者，这门课程将为您提供使用 Python 解读和阐明 AI 模型行为的核心技能，帮助您构建更透明、更值得信赖且更具问责性的 AI 系统。 掌握可解释人工智能后，你将提升调试模型的能力，满足监管要求，并增强在各行各业中构建 AI 应用的信心。

<h2>探索可解释性技术</h2>
从理解模型特定的可解释性方法开始。 使用 Python 的 Scikit-learn 等库来可视化决策树，并分析线性模型中的特征影响。 然后，转向适用于各种模型的模型无关技术。 利用 SHAP 和 LIME 等工具，深入洞察模型的整体行为和单个预测结果，提升您在真实世界应用中分析和解释 AI 模型的能力。

<h2>深入探索可解释性</h2>
学习如何评估解释的可靠性和一致性，理解解释无监督模型的细微差别，并通过实际示例探索解释生成式 AI 模型的潜力。 在课程结束时，你将掌握相关知识和工具，能够自信地解释 AI 模型的决策，确保你的 AI 应用具备透明度和可信度。

Unsupervised Learning in Python

Introduction to Deep Learning with PyTorch

使用Scikit-learn、SHAP和LIME获取必要技能，构建透明、可信和负责的AI系统。

Python 可解释性 AI

掌握使用 Scikit-learn、SHAP 和 LIME 测试并构建透明、可信且可问责的 AI 系统的核心技能。

使用 LIME 解释文本与图像

Create Your Free Account