Interpretowalne uczenie maszynowe

LICZBA DNI: 2 (16h)

KOD KURSU: XAI

Powiadom
o kolejnych terminach

# artificial-intelligence

# predictive-modeling

# interpolation

# performance

O szkoleniu

DLA KOGO?

Szkolenie przeznaczone jest dla analityków danych, którzy czują potrzebę poznania metod oraz narzędzi wspomagających interpretację modeli uczenia maszynowego

Na początku warsztatu przypomnimy zagadnienia dotyczące złożonych modeli predykcyjnych

Uczestnicy będą mogli zapoznać się zarówno z teoretycznymi, jak i praktycznymi aspektami interpretacji modeli

WYMAGANIA

Umiejętność programowania w języku R,

Podstawowa umiejętność modelowania predykcyjnego

ZALETY

Szkolenie prowadzone jest przez osoby na co dzień zajmujące się analizą danych, które nie tylko korzystają, ale również tworzą narzędzia służące do wyjaśniania modeli uczenia maszynowego

Szkolenie składa się z kilku części dotyczących różnych aspektów wyjaśniania modeli uczenia maszynowego

Każda z nich podzielona jest na blok teoretyczny oraz praktyczny

Cele szkolenia

Zapoznanie z najbardziej aktualnymi metodami interpretacji modeli uczenia maszynowego

Techniki pozwalające na zrozumienie dowolnego modelu (w szczególności tzw. czarnych skrzynek, czyli modeli trudnych w interpretacji)

Identyfikacja kluczowych czynników wpływających na predykcję modelu, lepsze zrozumienie jego globalnej struktury oraz lokalnego zachowania

Implementacja metod i narzędzi dostępnych w języku R

Program

  • Podstawowe pojęcia
  • Przegląd modeli uczenia maszynowego i specyficznych dla nich metod interpretacji
  • Czym jest interpretowalność?
  • Podstawowe typy metod interpretacji
  • Problemy z interpretowalnością modeli
  • Korzyści płynące z interpretacji modeli uczenia maszynowego
  • Audyt i diagnostyka modelu
  • Jakość modelu (performance)
  • Ważność zmiennych
  • Wpływ pojedynczej zmiennej na odpowiedź modelu
    • Individual Conditional Expectation Plots
    • Partial Dependence Plots
    • Accumulated Local Effects Plots
    • Merging Path Plots
  • Dekompozycja predykcji
    • Break Down Plots
    • Shapley Values
    • Inne metody dekompozycji
  • Lokalne przybliżenie modelu
    • LIME
    • live
    • Local Surrogates
  • Wykresy typu what-if
    • Ceteris Paribus Plots
    • Wangkardu Plots
  • Alternatywne metody
  • Alternatywne implementacje, w tym w języku Python

POLITYKA COOKIES:

Korzystamy z plików cookies, by móc jak najlepiej dostosować stronę do Twoich potrzeb oraz wyświetlać Ci przydatne i adekwatnych dla Ciebie reklamy w serwisie i poza nim. Możesz kontrolować ustawienia ciasteczek w swoich ustawieniach swojej przeglądarki. Odwiedzając tę stronę, wyrażasz zgodę na wykorzystywanie przez nas plików cookies.