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 στο Explainable AI
- Τι είναι το Explainable AI (XAI)?
- Η σημασία της διαφάνειας στους μοντέλους AI
- Κύριες προκλήσεις στην ερμηνευτικότητα του AI
Βασικές τεχνικές XAI
- Μεθόδοι χωρίς κατανόηση μοντέλου: LIME, SHAP
- Ειδικές τεχνικές εξήγησης για μοντέλα
- Εξήγηση αποφάσεων που έχουν ληφθεί από μοντέλα black-box
Χειροκίνητη εμπειρία με εργαλεία XAI
- Εισαγωγή σε ανοιχτού κώδικα βιβλιοθήκες XAI
- Εφαρμογή XAI σε απλά μοντέλα μηχανικής μάθησης
- Απεικόνιση εξηγήσεων και συμπεριφοράς μοντέλου
Προκλήσεις στην εξήγηση
- Εναλλαγές ακρίβειας και ερμηνευτικότητας
- Περιορισμοί των σημερινών μεθόδων XAI
- Διαχείριση προκατάληψης και δικαιοσύνης σε εξηγήσιμα μοντέλα
Ηθικές απόψεις στο XAI
- Συνειδητοποίηση των ηθικών επιπλέον της διαφάνειας AI
- Ευτυχές εξήγηση με απόδοση μοντέλου
- Σκέψεις για ιδιωτικότητα και προστασία δεδομένων στο XAI
Πραγματικά εφαρμογές του XAI
- XAI στην υγεία, χρηματοοικονομικά και φορολογική περιβάλλον
- Νομοθετικές απαιτήσεις για εξήγηση
- Σύνδεση εμπιστοσύνης σε συστήματα AI μέσω διαφάνειας
Προχωρημένα έννοια XAI
- Εξόδου από τυχαία εξηγήσεις
- Εξήγηση νευρωνικών δικτύων και μοντέλων βαθιάς μάθησης
- Σχόλιο περίπλοκων συστημάτων AI
Μέλλοντα τάσεις στο Explainable AI
- Νέες τεχνικές στην έρευνα XAI
- Προκλήσεις και ευκαιρίες για μέλλον διαφάνεια AI
- Επίδραση του XAI στην αναπτυξιακή AI που θεωρείται ευθύνη
Σύνοψη και μέλλοντα βήματα
Requirements
- Βασική κατανόηση των κonceρτων του μηχανικού μάθησης
- Οργανώστρωση στην προγραμματισμό με Python
Πληρές εκπαιδευμένο
- Αρχάριοι στην AI
- Φανατικοί δεδομένων επιστήμης
14 Hours
