Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Εισαγωγή στενές Προηγμένες Τεχνικές XAI
- Αναδρομή στις βασικές μεθόδους XAI
- Κλίμακες της ερμηνείας πολύπλοκων AI μο델ών
- Τάσεις στην έρευνα και ανάπτυξη XAI
Model-Agnostic Explainability Techniques
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Anchor explanations
Τεχνικές Εξηγήσιμοτητας για Μοντέλα
- Layer-wise relevance propagation (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Gradient-based methods (Grad-CAM, Integrated Gradients)
Εξήγηση Deep Learning Μοντέλων
- Διαχείριση συνδυαστικών νευρωνικών δικτύων (CNNs)
- Εξήγηση αναπαραστατικών νευρωνικών δικτύων (RNNs)
- Ανάλυση μοντέλων βασισμένων στο transformer (BERT, GPT)
Διαχείριση Κλίμακες της Eξήγησης
- Αντιμετώπιση περιορισμών στο model black-box
- Ευτυχές ευρύθυνο μεταξύ ακρίβειας και εξήγησης
- Διαχείριση προκατάληψης και δικαιοσύνης στις εξηγήσεις
Εφαρμογές XAI σε Ανθρώπινους Συστήματα
- XAI στη υγεία, τον φινάνς και τα νομικά συστήματα
- Πρότυπα AI και απαιτήσεις πληροφόρησης
- Δημιουργία εμπιστοσύνης και ευθύνης μέσω XAI
Αυξήσεις για το Future Explaining AI
- Σύγχρονες τεχνικές και εργαλεία XAI
- Next-generation explainability models
- Ευκαιρίες και περιορισμοί στην αι τραπουλά AI
Περιγραφή και επόμενα βήματα
Requirements
- Σταθερός όραμα της ΤΠΕ και της μηχανικής μάθησης
- Πείρωμα σε νευρωνικές δικτύα και βαθύ μάθηση
- Γνώση των βασικών τεχνικών XAI
Διατυπωτής
- Πειραματιστές στην ΤΠΕ
- Μηχανικοί μάθησης
21 Hours