Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

Εισαγωγή στην Εξηγήσιμη Τεχνητή Νοημοσύνη (XAI) και τη Διαφάνεια Μοντέλων

  • Τι είναι η Εξηγήσιμη Τεχνητή Νοημοσύνη;
  • Γιατί έχει σημασία η διαφάνεια στα συστήματα ΤΝ;
  • Ερμηνευσιμότητα έναντι απόδοσης στα μοντέλα ΤΝ

Επισκόπηση Τεχνικών XAI

  • Μέθοδοι ανεξάρτητες από το μοντέλο: SHAP, LIME
  • Τεχνικές ερμηνευσιμότητας συγκεκριμένες για το μοντέλο
  • Ερμηνεία νευρωνικών δικτύων και μοντέλων βαθιάς μάθησης

Δημιουργία Διαφανών Μοντέλων ΤΝ

  • Εφαρμογή ερμηνεύσιμων μοντέλων στην πράξη
  • Σύγκριση διαφανών μοντέλων έναντι μοντέλων μαύρου κουτιού
  • Εξισορρόπηση πολυπλοκότητας και ερμηνευσιμότητας

Προηγμένα Εργαλεία και Βιβλιοθήκες XAI

  • Χρήση του SHAP για ερμηνεία μοντέλων
  • Αξιοποίηση του LIME για τοπική ερμηνευσιμότητα
  • Οπτικοποίηση των αποφάσεων και συμπεριφορών μοντέλων

Αντιμετώπιση Δικαιοσύνης, Προκατάληψης και Ηθικής ΤΝ

  • Εντοπισμός και μετριασμός της προκατάληψης στα μοντέλα ΤΝ
  • Δικαιοσύνη στην ΤΝ και οι κοινωνικές της επιπτώσεις
  • Διασφάλιση λογοδοσίας και ηθικής στην ανάπτυξη ΤΝ

Εφαρμογές της XAI στον Πραγματικό Κόσμο

  • Μελέτες περιπτώσεων στην υγειονομική περίθαλψη, τα χρηματοοικονομικά και τη δημόσια διοίκηση
  • Ερμηνεία μοντέλων ΤΝ για κανονιστική συμμόρφωση
  • Οικοδόμηση εμπιστοσύνης με διαφανή συστήματα ΤΝ

Μελλοντικές Κατευθύνσεις στην Εξηγήσιμη ΤΝ

  • Αναδυόμενη έρευνα στην XAI
  • Προκλήσεις στην κλιμάκωση της XAI για συστήματα μεγάλης κλίμακας
  • Ευκαιρίες για το μέλλον της διαφανούς ΤΝ

Περίληψη και Επόμενα Βήματα

Απαιτήσεις

  • Εμπειρία στη μηχανική μάθηση και την ανάπτυξη μοντέλων ΤΝ
  • Εξοικείωση με τον προγραμματισμό Python

Κοινό

  • Επιστήμονες δεδομένων
  • Μηχανικοί μηχανικής μάθησης
  • Ειδικοί ΤΝ
 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Εφεξής Μαθήματα

Σχετικές Κατηγορίες