我们将深入探讨可解释人工智能（XAI），强调其在提升 AI 系统透明度、可解释性与可信度方面的作用。我们会介绍 AI 在预测与内容生成方面的能力，并突出清晰决策过程的必要性。此外，我们还将探讨如何让复杂的 AI 模型对更广泛的受众更易理解。

为何 Explainable AI 至关重要

透明性还是可解释性

可解释的情境

XAI 的目标

XAI 的技术细节

理解 XAI 的基础

准确性与可解释性

如何沟通 XAI

受众细分

在准确性与简洁性之间取得平衡

可解释人工智能导论

我们将系统梳理可解释人工智能（XAI）的技术方法，将其划分为面向特定模型、与模型无关、局部解释与全局解释等类别，以阐明 AI 的决策过程。我们会结合回归与分类任务讲解面向特定模型的洞察，并介绍 SHAP 与 LIME 等用于解释黑箱模型的工具。此外，我们还将讨论大语言模型（LLM）的复杂性，强调其决策过程透明化的必要性。

XAI 技术

局部还是全局

特定模型还是与模型无关

特定模型的解释

回归与分类的类比

决策中的黑箱模型

与模型无关的解释

SHAP、LIME，还是两者皆是？

SHAP 与 LIME 在 XAI 中的作用

LLM 的可解释性

理解 LLM

LLM 的推理

可解释 AI 的技术方法

我们将探讨 XAI 的变革性影响，说明其如何在各行业让人工智能更易用、更亲和。通过从一开始就融入可解释性设计，我们能确保 AI 系统保持透明，促进信任，并加深人与机器的协作。借助真实案例，我们将展示 XAI 如何化繁为简，帮助不同技术背景的用户理解复杂的 AI 决策，从而借助 AI 洞见做出更明智的决策。

为用户量身定制 AI

面向终端用户的 XAI

不纳入终端用户的风险

从设计入手的 XAI

求职者筛选

AI 系统设计

按设计实施 XAI

面向在线学习的 XAI

XAI 实战

选项

医疗

金融

零售

各行业的 XAI 要求

信任 AI 系统

XAI 的未来

跨学科的 XAI

前瞻性开发与部署

总结

XAI 的落地与应用

本课程将带您走进可解释人工智能（XAI）的精彩领域，这一学科旨在为常被视为"黑箱"的人工智能带来清晰与理解。课程以非技术背景的学习者为对象，重点讲解如何让 AI 决策过程更透明的方法与意义。您将了解 XAI 的提出依据、其在更广泛 AI 版图中的定位，以及它对社会的深远影响。课程结束时，不同角色的学习者都将认识到：XAI 如何在复杂算法与日常决策之间架起桥梁。

<h2>理解可解释人工智能（XAI）的核心概念</h2>
本课程介绍至关重要的XAI领域，重点在于让复杂的AI算法变得易于理解和使用。 随着人工智能系统日益融入各个行业，对这些技术的透明度和信任的需求也在不断增长。 本课程涵盖 XAI 的核心概念，包括透明性、可解释性和问责性，并探讨模型复杂性与可解释性之间的平衡。

<h2>学习 XAI 技术</h2>
您将学习模型特定和模型无关的解释，获得实用的见解和工具，以便在您的项目中有效应用 XAI 原则。 该课程旨在为您提供相关知识，使 AI 系统更加透明、合乎伦理，并与社会价值观保持一致，确保 AI 决策不仅有效，而且可辩护、易于理解。

<h2>在现实世界中实施 XAI</h2>
在本课程结束时，您将对 XAI 及其在 AI 解决方案开发中的重要性有扎实的理解，并且您将准备好应用这些原则，以提升 AI 系统在实际应用中的清晰度和可信度。


通过本初学者课程了解可解释人工智能（XAI）的作用和现实应用。

可解释人工智能（XAI）概念

通过这门适合初学者的课程，了解可解释人工智能（XAI）的作用及其现实应用。 

人工智能（AI）领导力

不纳入终端用户的风险

可解释人工智能（XAI）概念

动手互动练习