感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程大纲
高级 XAI 技术简介
- 基本 XAI 方法回顾
- 解释复杂 AI 模型的挑战
- XAI 研发趋势
与模型无关的可解释性技术
- SHAP （SHapley 加法解释）
- LIME （本地可解释模型不可知的解释）
- 锚点说明
特定于模型的可解释性技术
- 阶层相关性传播 （LRP）
- DeepLIFT （Deep Learning 重要特性）
- 基于梯度的方法（Grad-CAM、集成梯度）
解释 Deep Learning 模型
- 解释卷积神经网路 （CNN）
- 解释递回神经网路 （RNN）
- 分析基于 transformer 的模型（BERT、GPT）
处理可解释性挑战
- 解决黑盒模型限制
- 平衡准确性和可解释性
- 处理解释中的偏见和公平性
XAI 在实际系统中的应用
- XAI 在医疗保健、金融和法律系统中的应用
- AI 法规和合规性要求
- 通过 XAI 建立信任和问责制
可解释 AI 的未来趋势
- XAI 中的新兴技术和工具
- 下一代可解释性模型
- AI 透明度的机遇和挑战
总结和后续步骤
要求
- 对 AI 和机器学习有深入的理解
- 具有神经网路和深度学习的经验
- 熟悉基本的 XAI 技术
观众
- 经验丰富的 AI 研究人员
- 机器学习工程师
21 小时
