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

Number of participants


Price per participant

Upcoming Courses

Related Categories