دوره

هوش مصنوعی توضیح‌پذیر در پایتون

با استفاده از Scikit-learn و SHAP و LIME، مهارت‌های ضروری رو برای تست و ساخت سیستم‌های هوش مصنوعی شفاف، قابل‌اعتماد و پاسخگو به دست بیارید.

پیشرفته
تاریخ به‌روزرسانی:
26 آبان 1405
۴٫۵
پایتون
۴ ساعت
۱۴ ویدیو
۲۸ تمرین
۸۷۰ شرکت‌کننده
۳۴۵
کاربرهای فینکا در چه شرکت‌هایی مشغول به کار هستند؟
توضیحات دوره

هوش مصنوعی توضیح‌پذیر برای دانشمندان داده و متخصصان یادگیری ماشین اهمیت خیلی زیادی داره. این دوره مهارت‌های لازم برای تفسیر رفتار مدل‌های هوش مصنوعی با استفاده از پایتون رو به شما می‌ده. در این مسیر، از کتابخانه Scikit-learn در پایتون و ابزارهایی مثل SHAP و LIME استفاده می‌کنید تا رفتار مدل رو مصورسازی کنید و درک عمیق‌تری از اون به دست بیارید. در پایان این دوره، می‌تونید سیستم‌های هوش مصنوعی شفاف‌تر، قابل‌اعتمادتر و پاسخگوتر بسازید.

همونیه که می‌خواید یاد بگیرید؟

1
مبانی هوش مصنوعی توضیح‌پذیر

در این بخش، کار رو با بررسی مفاهیم پایه هوش مصنوعی توضیح‌پذیر شروع می‌کنیم. یاد می‌گیرید چطور قوانین تصمیم‌گیری رو از درخت‌های تصمیم استخراج کنید و با استفاده از مدل‌های خطی و مبتنی بر درخت، اهمیت ویژگی‌ها رو محاسبه و مصورسازی کنید. به این ترتیب، درک بهتری از نحوه پیش‌بینی این مدل‌ها به دست میارید و می‌تونید تصمیم‌گیری‌ها رو شفاف‌تر کنید.

2
توضیح‌پذیری مستقل از مدل

در این بخش، با قدرت تکنیک‌های مستقل از مدل آشنا می‌شیم که به شما کمک می‌کنن تأثیر ویژگی‌ها رو در مدل‌های مختلف شناسایی کنید. یاد می‌گیرید چطور با استفاده از اهمیت جایگشتی و مقادیر SHAP، تأثیر ویژگی‌ها روی رفتار مدل رو تحلیل کنید. همچنین ابزارهای مصورسازی SHAP رو بررسی می‌کنیم تا مفاهیم توضیح‌پذیری رو بهتر درک کنید.

3
توضیح‌پذیری محلی

در این بخش، وارد دنیای توضیح‌پذیری محلی می‌شیم و یاد می‌گیرید چطور پیش‌بینی‌های منفرد مدل رو توضیح بدید. با نحوه استفاده از SHAP برای توضیح‌پذیری محلی آشنا می‌شید و یاد می‌گیرید چطور با استفاده از LIME، عوامل مشخصی رو که روی هر نتیجه تأثیر می‌ذارن شناسایی کنید؛ چه داده‌ها متنی باشن، چه جدولی یا تصویری.

4
مباحث پیشرفته در هوش مصنوعی توضیح‌پذیر

در بخش پایانی، با بررسی رفتار مدل‌ها و اثربخشی روش‌های توضیح‌پذیری، سراغ مباحث پیشرفته‌تر هوش مصنوعی توضیح‌پذیر می‌ریم. یاد می‌گیرید چطور سازگاری و وفاداری توضیحات به رفتار واقعی مدل رو ارزیابی کنید، مدل‌های بدون‌نظارت رو تحلیل کنید و فرایند استدلال مدل‌های هوش مصنوعی مولد مثل ChatGPT رو شفاف‌تر کنید. همچنین با تکنیک‌هایی برای اندازه‌گیری و بهبود توضیح‌پذیری در سیستم‌های پیچیده هوش مصنوعی آشنا می‌شید.

گواهی پایان دوره

  • تأیید مهارت شما

    با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.

  • اعتبار و اصالت گواهی

    هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.

  • اشتراک‌گذاری

    می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.

اشتراک‌گذاری
منابع
Graduate admissions

Heart disease

Insurance

Income

سوالات متداول

مدل‌های یادگیری ماشین به خاطر توانایی یادگیری از داده‌ها، اغلب به عنوان مدل‌های پایه در سیستم‌های هوش مصنوعی پیچیده‌تر عمل می‌کنن. توانایی توضیح دادن این مدل‌های پایه کمک می‌کنه تا نسبت به سیستم‌های هوش مصنوعی، اعتماد و پاسخگویی ایجاد بشه.

کتابخانه‌های کلیدی پایتون برای ساخت و توضیح دادن مدل‌های هوش مصنوعی شامل Scikit-learn و SHAP و LIME می‌شن.

دریافت اپلیکیشن فینکا

با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.