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.
Kursplan
Introduktion till Explainable AI (XAI) och modelltransparens
- Vad är Explainable AI?
- Varför transparens är viktigt i AI-system
- Tolkningsbarhet kontra prestanda i AI-modeller
Översikt över XAI-tekniker
- Modellagnostiska metoder: SHAP, LIME
- Modellspecifika tekniker för förklarbarhet
- Förklara neurala nätverk och djupinlärningsmodeller
Bygga transparenta AI-modeller
- Implementering av tolkningsbara modeller i praktiken
- Jämföra transparenta modeller med black-box-modeller
- Balansera komplexitet med förklarbarhet
Avancerade XAI-verktyg och bibliotek
- Använda SHAP för modelltolkning
- Utnyttja LIME för lokal förklarbarhet
- Visualisering av modellbeslut och beteenden
Hantering av rättvisa, partiskhet och etisk AI
- Identifiera och mildra bias i AI-modeller
- Rättvisa inom AI och dess samhälleliga effekter
- Säkerställa ansvarsskyldighet och etik vid AI-implementering
Verkliga tillämpningar av XAI
- Fallstudier inom hälso- och sjukvård, finans och myndigheter
- Tolkning av AI-modeller för regelefterlevnad
- Skapa förtroende med transparenta AI-system
Framtida riktningar inom förklarlig AI
- Ny forskning inom XAI
- Utmaningar med att skala XAI för storskaliga system
- Möjligheter för framtiden för transparent AI
Sammanfattning och nästa steg
Krav
- Erfarenhet av maskininlärning och utveckling av AI-modeller
- Förtrogenhet med Python-programmering
Publik
- Datavetare
- Ingenjörer inom maskininlärning
- AI-specialister
21 timmar
