What You Need to Know Before
You Start

Starts 7 June 2025 12:28

Ends 7 June 2025

00 days
00 hours
00 minutes
00 seconds
course image

Interpretable Machine Learning

Machine Learning Interprétable Alors que l'intelligence artificielle (IA) s'intègre dans des domaines à haut risque comme la santé, la finance et la justice pénale, il est essentiel que ceux qui construisent ces systèmes sortent de la boîte noire et développent des systèmes non seulement précis, mais aussi transparents et fiables. Ce cours est un.
University of Naples Federico II via Coursera

University of Naples Federico II

23 Cours


La University of Naples Federico II è un prestigioso ateneo pubblico con una lunga storia di eccellenza nella ricerca, nell'insegnamento e nell'innovazione. Offre una vasta gamma di programmi accademici dal livello di laurea a quello di dottorato.

Not Specified

Optional upgrade avallable

All Levels

Progress at your own speed

Free

Optional upgrade avallable

Aperçu

Alors que l'intelligence artificielle (IA) s'intègre dans des domaines à haut risque comme la santé, la finance et la justice pénale, il est essentiel que ceux qui construisent ces systèmes sortent de la boîte noire et développent des systèmes non seulement précis, mais aussi transparents et fiables. Ce cours est un guide complet et pratique sur le Machine Learning Interprétable, qui vous permet de développer des solutions d'IA alignées avec les principes de l'IA responsable.

Vous acquerrez également une compréhension du domaine émergent de l'interprétabilité mécanistique et de son utilisation pour comprendre les grands modèles de langage.

À travers des discussions, des études de cas, des laboratoires de programmation et des exemples réels, vous acquerrez les compétences suivantes :

  1. Décrire le machine learning interprétable et différencier entre interprétabilité et explicabilité.
  2. Expliquer et implémenter des modèles de régression en Python.
  3. Démontrer la connaissance des modèles généralisés en Python.
  4. Expliquer et implémenter des arbres de décision en Python.
  5. Démontrer la connaissance des règles de décision en Python.
  6. Définir et expliquer les approches des modèles interprétables par réseaux neuronaux, y compris les réseaux basés sur des prototypes, les réseaux monotones et les réseaux de Kolmogorov-Arnold.
  7. Expliquer les concepts fondamentaux de l'interprétabilité mécanistique, y compris les caractéristiques et les circuits.
  8. Décrire l'Hypothèse de Superposition.
  9. Définir l'apprentissage de représentation et être capable d’analyser les recherches actuelles sur l'extension de l'apprentissage de représentation aux grands modèles de langage.

Ce cours est idéal pour les data scientists ou les ingénieurs en machine learning qui ont une bonne maîtrise du machine learning mais ont eu peu de contact avec les concepts d'interprétabilité. En maîtrisant les approches du Machine Learning Interprétable, vous serez en mesure de créer des solutions d'IA non seulement puissantes mais aussi éthiques et fiables, résolvant des défis cruciaux dans des domaines comme la santé, la finance et la justice pénale.

Pour réussir dans ce cours, vous devez avoir une compréhension intermédiaire des concepts de machine learning tels que l'apprentissage supervisé et les réseaux neuronaux.

Université :

Université de Naples Federico II

Fournisseur :

Coursera

Catégories :

Cours de Machine Learning, Cours de Réseaux Neuronaux, Cours d'IA Explicable, Cours d'Arbres de Décision


Sujets

united states