Explainability in Deep Learning: Demystifying Black-Box Models 培训

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望增强对复杂 AI 模型的 XAI 技术的理解的高级专业人员。

在本次培训结束时，参与者将能够：

• 在 AI 模型中实施最先进的 XAI 技术。
• 解释深度学习模型及其决策。
• 应用高级模型不可知和特定于模型的可解释性方法。
• 解决与复杂系统中 AI 透明度相关的挑战。

这门课程涵盖了人工智能(在工业中简化 Machine Learning和 Deep Learning)。 它有助于确定哪种技术可以(潜在)在汽车中的多种情况下使用:从简单的自动化,图像识别到自主决策。

本课程是为经理、解决方案架构师、创新官、首席技术官、软件架构师以及任何对应用人工智能概述及其发展的最新预测感兴趣的人创建的。

This instructor-led, live training in 中国 (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.

By the end of this training, participants will be able to:

• Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
• Write and understand procedural, functional, and object-oriented programming code.
• Implement machine learning techniques such as classification, clustering, and neural networks.
• Develop AI solutions using rules engines and expert systems for problem-solving.

人工神经网络是一种计算数据模型，用于开发能够执行“智能”任务的 Artificial Intelligence (AI) 系统。Neural Networks 通常用于 Machine Learning （ML） 应用程序，这些应用程序本身就是 AI 的一种实现。Deep Learning 是 ML 的一个子集。

这是一个为期 4 天的课程，介绍人工智能及其应用。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

这是一个为期 4 天的课程，介绍了 AI 及其使用 Python 编程语言的应用程序。完成本课程后，可以选择额外有一天的时间来开展 AI 项目。 

This instructor-led, live training in 中国 (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.

By the end of this training, participants will be able to:

• Understand and implement various Machine Learning algorithms.
• Prepare data and models for machine learning applications.
• Conduct post hoc analyses and visualize results effectively.
• Apply machine learning techniques to real-world, sector-specific scenarios.

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

This instructor-led, live training in 中国 (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.

By the end of this training, participants will be able to:

• Apply core statistical methods to pattern recognition.
• Use key models like neural networks and kernel methods for data analysis.
• Implement advanced techniques for complex problem-solving.
• Improve prediction accuracy by combining different models.

这种由讲师指导的中国现场（现场或远程）现场培训面向希望在创建深度学习代理时学习Deep Reinforcement Learning基础知识的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 了解 Deep Reinforcement Learning 背后的关键概念，并能够将其与机器学习区分开来。
• 应用高级 Reinforcement Learning 算法来解决实际问题。
• 构建深度学习代理。

这种由讲师指导的现场培训<本地>（在线或现场）面向希望学习可解释 AI 基础知识及其在开发负责任的 AI 系统中的作用的初级专业人员。

在本次培训结束时，参与者将能够：

• 了解可解释的 AI 的基本概念。
• 探索透明度和可解释性在 AI 模型中的重要性。
• 了解使 AI 模型可解释的基本技术。
• 将 XAI 技术应用于简单的机器学习模型。

这种由讲师指导的 中国 现场培训（在线或现场）面向希望应用可解释 AI 技术来确保公平、透明和合乎道德的 AI 系统的中级专业人员。

在本次培训结束时，参与者将能够：

• 了解 XAI 在合乎道德的 AI 系统中的作用。
• 实施 XAI 技术来检测和缓解 AI 模型中的偏差。
• 确保 AI 模型决策过程的透明度。
• 使 AI 开发与道德和监管标准保持一致。

这种由讲师指导的现场培训<本地>（在线或现场）面向希望在实际应用中实施透明 AI 系统的中高级专业人员。

在本次培训结束时，参与者将能够：

• 了解 AI 模型中透明度的重要性。
• 实施高级 XAI 技术来解释复杂模型。
• 使用 SHAP、LIME 和其他工具增强模型透明度。
• 解决 AI 模型中的道德问题和公平性。