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
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

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
  • 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