Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
План на курса
Въведение в съвременните XAI техники
- Преглед на основните XAI методи
- Предизвикателства при интерпретирането на сложни AI модели
- Тенденции в изследванията и разработките на XAI
Моделно-агностични техники за обяснение
- SHAP (Обяснения за добавки на SHapley)
- LIME (локални интерпретируеми модели-агностични обяснения)
- Обяснения на котвата
Специфични за модела техники за обяснение
- Разпространяване на релевантност по слоеве (LRP)
- DeepLIFT (Deep Learning важни характеристики)
- Базирани на градиенти методи (Grad-CAM, интегрирани градиенти)
Обяснение на Deep Learning модели
- Тълкуване на конволюционни невронни мрежи (CNN)
- Обяснение на повтарящи се невронни мрежи (RNN)
- Анализиране на трансформаторни модели (BERT, GPT)
Справяне с предизвикателствата, свързани с тълкуването
- Справяне с ограниченията на модела на черната кутия
- Балансиране на точност и интерпретируемост
- Справяне с пристрастност и справедливост в обясненията
Приложения на XAI в системи от реалния свят
- XAI в здравеопазването, финансите и правните системи
- Изисквания за регулиране и съответствие с ИИ
- Изграждане на доверие и отчетност чрез XAI
Бъдещи тенденции в обяснимия AI
- Нововъзникващи техники и инструменти в XAI
- Обясними модели от следващо поколение
- Възможности и предизвикателства в прозрачността на AI
Обобщение и следващи стъпки
Изисквания
- Солидно разбиране на AI и машинното обучение
- Опит с невронни мрежи и дълбоко обучение
- Запознаване с основните XAI техники
Публика
- Опитни изследователи на AI
- Инженери по машинно обучение
21 Часа
