What You Need to Know Before
You Start
Starts 7 June 2025 09:37
Ends 7 June 2025
00
days
00
hours
00
minutes
00
seconds
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
2544 Cours
1 hour 21 minutes
Optional upgrade avallable
Not Specified
Progress at your own speed
Free Video
Optional upgrade avallable
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
- Fondements de l'interprétabilité des modèles
- Techniques d'explication basées sur le gradient
- Méthodes d'interprétabilité locale
- Méthodes d'interprétabilité globale
- Explications contrastives
- Techniques spécifiques aux modèles pour l'interprétabilité
- Sujets avancés en interprétabilité
- Études de cas et applications réelles
- Ateliers pratiques et devoirs
- Conclusion et tendances futures
Introduction aux objectifs du cours
Importance de l'interprétabilité dans l'apprentissage automatique
Définitions et terminologie
Compromis entre précision et interprétabilité
Types de modèles d'apprentissage automatique (boîte noire, boîte blanche)
Cartes de saillance
Gradients intégrés
Mappage d'activation de classe pondéré par le gradient (Grad-CAM)
Explications de modèle interprétable local et agnostique (LIME)
Explications additives de Shapley (SHAP)
Graphiques de dépendance partielle (PDPs)
Importance des caractéristiques
Modèles de substitution globaux
Effets d'interaction des caractéristiques
Concept d'explications contrastives
Techniques de génération d'explications contrastives
Interprétabilité dans les arbres de décision et les modèles basés sur des règles
Interprétabilité dans les réseaux neuronaux
Interprétabilité dans les modèles bayésiens
Explications contrefactuelles
Explications causales
Considérations éthiques et biais dans l'interprétabilité des modèles
Interprétabilité pratique dans les applications industrielles
Outils d'explication interactifs
Défis et solutions dans l'interprétabilité des modèles
Utilisation de bibliothèques et outils d'interprétabilité (par exemple, SHAP, LIME, ELI5)
Séances de pratique de l'interprétabilité
Projet de groupe collaboratif
Défis actuels et orientations futures en matière d'interprétabilité des modèles
Récapitulatif et ressources pour un apprentissage supplémentaire
Sujets
Science des données