Interpretable machine learning applications: Part 3

Aperçu

Titre :

Applications d'apprentissage machine interprétable :

Partie 3

Description :

Rejoignez notre cours intensif de 50 minutes basé sur un projet, intitulé "Applications d'apprentissage machine interprétable :

Partie 3", disponible sur Coursera. Ce cours est conçu pour équiper les participants avec la capacité d'appliquer des techniques d'explication sophistiquées et des algorithmes pour interpréter les prédictions faites par des modèles complexes d'apprentissage machine, tels que les réseaux neuronaux artificiels.

La technique utilisée est idéale pour analyser les modèles fonctionnant comme des 'boîtes noires', rendant ce cours incroyablement bénéfique pour les décideurs dans divers secteurs, y compris la banque et l'administration publique. Ces explications sont cruciales pour ceux qui souhaitent employer des applications d'apprentissage machine fiables pour améliorer les processus de prise de décision.

Le cours est structuré autour de trois objectifs d'apprentissage principaux :

• Objectif 1 :

  Définir, entraîner et évaluer un classificateur de réseau neuronal artificiel (modèle séquentiel) en utilisant l'API Keras pour TensorFlow.

  Les participants entraîneront et testeront le modèle prédictif en utilisant le jeu de données HELOC, qui comprend des données sur les demandes de prêt hypothécaire approuvées et rejetées.

• Objectif 2 :

  Apprendre à générer des explications en examinant des profils similaires à celui d'un demandeur de prêt hypothécaire catégorisé comme un risque "Bon" ou "Mauvais".

• Objectif 3 :

  Générer des explications contrastives en se concentrant sur les caractéristiques et les valeurs négatives pertinentes pour déterminer les changements nécessaires pour convertir une demande "rejetée" en une demande "approuvée".

Fournisseur :

Coursera

Catégories :

Cours d'apprentissage machine

Enseigné par

Epaminondas Kapetanios

Sujets