Interpretowalne uczenie maszynowe
LICZBA DNI: 2 (16h)
KOD KURSU: XAI
Weź udział w szkoleniu
Termin
Lokalizacja
Cena / os
16
grudnia
Warszawa,
Kraków,
Łódź,
Wrocław,
Gdańsk,
Poznań,
Zdalne,
Termin
16
grudnia
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
Szkolenia powiązane
