Ce que vous devez savoir avant
de commencer

Débute 27 June 2025 16:46

Se termine 27 June 2025

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Introduction aux explications et à l'interprétabilité des modèles d'apprentissage automatique

Explorez les concepts clés dans les explications de la science des données, allant de la mise en évidence basée sur le gradient à l'édition contrastive, en couvrant les techniques essentielles pour comprendre et interpréter des modèles complexes.
UofU Data Science via YouTube

UofU Data Science

2765 Cours


1 hour 21 minutes

Mise à niveau optionnelle disponible

Not Specified

Progressez à votre rythme

Free Video

Mise à niveau optionnelle disponible

Aperçu

Explorez les concepts clés dans les explications de la science des données, allant de la mise en évidence basée sur le gradient à l'édition contrastive, en couvrant les techniques essentielles pour comprendre et interpréter des modèles complexes.

Programme

  • Aperçu du cours
  • Introduction aux objectifs du cours
    Importance de l'interprétabilité dans l'apprentissage automatique
  • Fondements de l'interprétabilité des modèles
  • Définitions et terminologie
    Compromis entre précision et interprétabilité
    Types de modèles d'apprentissage automatique (boîte noire, boîte blanche)
  • Techniques d'explication basées sur le gradient
  • Cartes de saillance
    Gradients intégrés
    Mappage d'activation de classe pondéré par le gradient (Grad-CAM)
  • Méthodes d'interprétabilité locale
  • Explications de modèle interprétable local et agnostique (LIME)
    Explications additives de Shapley (SHAP)
    Graphiques de dépendance partielle (PDPs)
  • Méthodes d'interprétabilité globale
  • Importance des caractéristiques
    Modèles de substitution globaux
    Effets d'interaction des caractéristiques
  • Explications contrastives
  • Concept d'explications contrastives
    Techniques de génération d'explications contrastives
  • Techniques spécifiques aux modèles pour l'interprétabilité
  • Interprétabilité dans les arbres de décision et les modèles basés sur des règles
    Interprétabilité dans les réseaux neuronaux
    Interprétabilité dans les modèles bayésiens
  • Sujets avancés en interprétabilité
  • Explications contrefactuelles
    Explications causales
    Considérations éthiques et biais dans l'interprétabilité des modèles
  • Études de cas et applications réelles
  • Interprétabilité pratique dans les applications industrielles
    Outils d'explication interactifs
    Défis et solutions dans l'interprétabilité des modèles
  • Ateliers pratiques et devoirs
  • Utilisation de bibliothèques et outils d'interprétabilité (par exemple, SHAP, LIME, ELI5)
    Séances de pratique de l'interprétabilité
    Projet de groupe collaboratif
  • Conclusion et tendances futures
  • Défis actuels et orientations futures en matière d'interprétabilité des modèles
    Récapitulatif et ressources pour un apprentissage supplémentaire

Sujets

Science des données