Ce que vous devez savoir avant
Vous commencez

Débute 4 June 2026 15:34

Se termine 4 June 2026

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Meilleures pratiques de visualisation pour l'IA explicable

Explorez les techniques de visualisation de l'apprentissage automatique pour une intelligence artificielle explicable à travers différents secteurs, comprenant la compréhension des modèles, l'analyse des données et l'évaluation des performances à l'aide de Jupyter, Python et Power BI.
PASS Data Community Summit via YouTube

PASS Data Community Summit

6076 Cours


58 minutes

Amélioration optionnelle disponible

Not Specified

Progressez à votre rythme

Conference Talk

Amélioration optionnelle disponible

Aperçu

Explore machine learning visualization techniques for explainable AI across industries, covering model understanding, data analysis, and performance evaluation using Jupyter, Python, and Power BI.

Programme

  • Introduction à l'IA explicable (XAI)
  • Vue d'ensemble de l'IA explicable et son importance
    Objectifs clés et défis de la XAI
    Cas d'utilisation dans divers secteurs
  • Outils de visualisation en IA
  • Introduction aux notebooks Jupyter
    Utilisation des bibliothèques Python (Matplotlib, Seaborn, Plotly)
    Aperçu de Power BI pour la visualisation des données
  • Techniques de visualisation pour la compréhension des modèles
  • Visualisation des frontières de décision
    Importance des caractéristiques et graphiques de dépendance partielle
    SHAP et LIME pour l'interprétabilité des modèles
  • Analyse de données pour l'IA explicable
  • Statistiques descriptives et insights
    Matrices de corrélation et cartes thermiques
    Techniques de réduction de dimensionnalité (ACP, t-SNE)
  • Évaluation de la performance des modèles
  • Matrices de confusion et rapports de classification
    Courbes ROC et AUC
    Visualisation de la performance des modèles dans le temps
  • Études de cas et applications
  • Visualisation dans l'IA en santé : explication des modèles pour les données des patients
    Cas d'utilisation dans le secteur financier : transparence des modèles dans l'évaluation du crédit
    IA explicable pour les systèmes autonomes
  • Considérations éthiques et meilleures pratiques
  • Garantir la transparence et l'équité dans les modèles d'IA
    Éviter les pièges et biais dans la visualisation
    Communication efficace des résultats de l'IA aux parties prenantes
  • Projet pratique et ateliers
  • Projet guidé utilisant Jupyter et Python pour la XAI
    Création de tableaux de bord et rapports avec Power BI
    Revues par les pairs et exercices collaboratifs
  • Résumé et tendances futures
  • Récapitulation des concepts et outils clés
    Tendances émergentes dans la visualisation et l'explicabilité de l'IA
    Ressources pour l'apprentissage et le développement continu

Matières

Conference Talks