Apprenez l'IA explicable

Aperçu

Unlock the power of explainable AI (XAI) and gain insights into how machine learning models make decisions! In this course, you'll explore key techniques for interpreting models, from simple linear regression to complex neural networks.

You'll learn how to analyze feature importance, visualize decision-making processes, and build more transparent AI systems. We’ll cover fundamental XAI methods, including linear model coefficients, tree-based feature importance, permutation importance, partial dependence (PDP), and individual conditional expectation (ICE) plots.

You'll also dive into SHAP (Shapley Additive Explanations) and LIME (Local Interpretable Model-agnostic Explanations) to better understand model predictions at both global and individual levels.

Programme

• Introduction à l'IA explicable : Apprenez à utiliser des techniques d'IA explicable, y compris les coefficients des modèles linéaires, l'importance des caractéristiques basées sur les arbres, l'importance des permutations et les graphiques PDP/ICE.
Leçon : Introduction à l'IA explicable
Projet : IA explicable dans la prédiction de l'attrition des employés
Quiz : Introduction à l'XAI
• Introduction à SHAP : Apprenez à utiliser SHAP pour expliquer les modèles ML et IA.
Leçon : Introduction à SHAP
Projet : Explication des prédictions de diagnostic du cancer du sein avec SHAP
Quiz : Quiz d'introduction à SHAP
• Introduction à LIME : Apprenez à utiliser LIME pour expliquer les modèles ML et IA.
Leçon : Introduction à LIME
Projet : Explication des prédictions de diagnostic du cancer du sein avec LIME
Quiz : Quiz d'introduction à LIME
Information : Prochaines étapes de l'IA explicable

---

Matières

Computer Science