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
可解释的 AI 简介
- 什么是可解释的 AI (XAI)?
- AI 模型中透明度的重要性
- AI 可解释性的主要挑战
基本 XAI 技术
- 与模型无关的方法:LIME、SHAP
- 特定于模型的可解释性方法
- 解释黑盒模型做出的决策
使用 XAI 工具动手实践
- 开源 XAI 库简介
- 在简单的机器学习模型中实现 XAI
- 可视化解释和模型行为
可解释性方面的挑战
- 准确性与可解释性权衡
- 当前 XAI 方法的局限性
- 处理可解释模型中的偏差和公平性
XAI 中的道德考虑
- 了解 AI 透明度的道德影响
- 平衡可解释性与模型性能
- XAI 中的隐私和数据保护问题
XAI 的实际应用
- XAI 在医疗保健、金融和执法领域的应用
- 可解释性的法规要求
- 通过透明度建立对 AI 系统的信任
高级 XAI 概念
- 探索反事实解释
- 解释神经网路和深度学习模型
- 解释复杂的 AI 系统
可解释 AI 的未来趋势
- XAI 研究中的新兴技术
- 未来 AI 透明度的挑战和机遇
- XAI 对负责任的 AI 开发的影响
总结和后续步骤
要求
- 对机器学习概念的基本理解
- 熟悉 Python 程式设计
观众
- AI 初学者
- 数据科学爱好者
14 小时