Interpretowalne uczenie maszynowe
LICZBA DNI: 2 (16h)
KOD KURSU: XAI
Weź udział w szkoleniu
Termin
Lokalizacja
Cena / os
4
marca
Warszawa,
Kraków,
Łódź,
Wrocław,
Gdańsk,
Poznań,
Zdalne,
Termin
4
marca
Lokalizacja
Warszawa,
Kraków,
Łódź,
Wrocław,
Gdańsk,
Poznań,
Zdalne,
Cena / os
Powiadom
o kolejnych terminach
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
Problemy uczenia maszynowego
- Podstawowe pojęcia
- Przegląd modeli uczenia maszynowego i specyficznych dla nich metod interpretacji
Wprowadzenie do zagadnienia wyjaśniania modeli
- Czym jest interpretowalność?
- Podstawowe typy metod interpretacji
- Problemy z interpretowalnością modeli
- Korzyści płynące z interpretacji modeli uczenia maszynowego
Globalne metody wyjaśniania
- 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
Lokalne metody wyjaśniania modelu
- 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
Podsumowanie
- Alternatywne metody
- Alternatywne implementacje, w tym w języku Python
