Trwają zapisy do grupy
Interpretowalne uczenie maszynowe
Współczesne metody uczenia maszynowego stają się kluczowymi elementami wielu aplikacji, na przykład w przemyśle, medycynie czy sektorze finansowym. Niestety, metody te działają zazwyczaj na zasadzie czarnych skrzynek, które zwracają predykcje bez wyjaśnienia podejmowanych decyzji. Jest to problematyczne, bo uczenie maszynowe coraz częściej wkracza w różne aspekty życia społecznego. Dlatego organy regulacyjne coraz częściej wymagają tłumaczenia procesów decyzyjnych w celu zapewnienia zaufania i przejrzystości. W ramach szkolenia przedstawimy podstawowe metody wyjaśniania decyzji modeli uczenia maszynowego oraz ich praktyczne zastosowania.
2350 PLN+23% VAT (2890 PLN brutto / 1 os.)Czas trwania szkolenia:2 dni (16h)
Poziom zaawansowania:
Kod kursu:DL/MI
Interpretowalne uczenie maszynowe
Cele szkolenia
- Poznanie algorytmów wizualizacji oraz interpretacji decyzji podejmowanych przez modele uczenia maszynowego
- Zdobycie umiejętności praktycznego zastosowania omawianych algorytmów
Dla kogo?
- Osób zajmujących się na co dzień głębokim uczeniem, które chcą być na bieżąco z najnowszymi trendami
- Osób wdrażających sztuczną inteligencję w zastosowaniach wymagających wyjaśnialności wprowadzanych rozwiązań, na przykład w medycynie lub w sektorach zaufania publicznego
Zalety
- Zajęcia prowadzone przez specjalistów, którzy na co dzień pracują nad zagadnieniami związanymi z interpretowanymi modelami uczenia maszynowego
- Możliwość poznania najnowszych trendów w uczeniu maszynowym, w szczególności w tematyce Explainable AI
- Praktyczne zadania pozwalające dokładnie zrozumieć przekazywaną teorię
Wymagania
- Od uczestników szkolenia wymagana jest znajomość podstaw działania sieci neuronowych oraz znajomość narzędzi do ich implementacji w języku Python (np. PyTorch)
W cenie otrzymasz:
- Materiały szkoleniowe
- Certyfikat ukończenia szkolenia
- W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program
Wprowadzenie do metod interpretacji modeli uczenia maszynowego
- Dlaczego interpretowalność jest ważna
- Praktyczne zastosowania metod wyjaśniających działanie modeli uczenia maszynowego
Mapy istotności (saliency maps)
Wyjaśnianie predykcji za pomocą zrozumiałych dla człowieka konceptów
- Metoda TCAV