پژوهشگر و مدرس هوش مصنوعی با هدف توسعه دانش و مهارتهای نوین در حوزه فناوری. تمرکز من بر ارائه آموزشهای ساده، کاربردی و مبتنی بر پروژه است تا مفاهیم تخصصی برای علاقهمندان و دانشجویان به شکلی کاربردی، ساده و قابل فهم باشد.
| سطح | تمام سطوح |
| مدت زمان | ۱۶۲ |
| حجم | ۱۱۷۰.۵۹ مگابایت |
در این آموزش هوش مصنوعی توضیح پذیر (XAI) یاد می گیرید مدل های جعبه سیاه را تفسیر کنید و با SHAP و LIME تصمیم های آن ها را شفاف و قابل فهم کنید.
با گسترش استفاده از AI در حوزه های حساس مانند پزشکی، مالی، صنعت و سیستم های هوشمند، دیگر صرفا داشتن یک مدل دقیق کافی نیست. امروزه اعتماد به تصمیم های مدل های هوش مصنوعی به اندازه دقت آن ها اهمیت پیدا کرده است. در بسیاری از کاربردهای واقعی، لازم است بدانیم یک مدل چگونه و بر چه اساسی به یک نتیجه رسیده است. به همین دلیل، توجه به شفافیت و قابلیت توضیح پذیری در مدل های هوش مصنوعی به یک ضرورت تبدیل شده است. در چنین شرایطی، مفهوم هوش مصنوعی توضیح پذیر (Explainable AI یا XAI) اهمیت ویژه ای پیدا می کند.
دوره XAI با هدف آموزش مفاهیم، ابزارها و تکنیک هایی طراحی شده است که کمک می کنند تصمیم های مدل های جعبه سیاه را شفاف سازی کنید. در این دوره یاد می گیرید خروجی مدل ها را بهتر بفهمید و اعتماد بیشتری به نتایج آن ها داشته باشید. یاد می گیرید چگونه «درون جعبه سیاه مدل های هوش مصنوعی» را ببینیددر این دوره، مفاهیم XAI به صورت ساده، کاربردی و پروژه محور آموزش داده می شود تا با اصول تفسیر مدل های هوش مصنوعی آشنا شوید. یاد میگیرید چگونه خروجی مدلهای هوش مصنوعی را تحلیل و تفسیر کنید.
در بخش عملی دوره، با دو ابزار و روش مهم در حوزه هوش مصنوعی توضیح پذیر یعنی SHAP و LIME کار خواهید کرد. این ابزارها کمک می کنند تا سهم ویژگی ها در تصمیم گیری مدل را مشاهده کنید و برای هر پیش بینی، توضیحی قابل فهم ارائه دهید. تمرین های دوره در محیط Google Colab انجام می شوند تا بتوانید بدون نیاز به تنظیمات پیچیده، مفاهیم را به صورت عملی پیاده سازی کنید.
یکی از نقاط قوت این دوره، بررسی کاربردهای واقعی XAI در پروژه های عملی است. در طول دوره با نمونه هایی از کاربرد هوش مصنوعی توضیح پذیر در پزشکی، تشخیص بیماری، تحلیل داده، سیستم های هوشمند آشنا می شوید. می آموزید چگونه از XAI برای افزایش شفافیت و اعتمادپذیری مدل ها استفاده کنید. همچنین بخش مهمی از دوره به اخلاق در هوش مصنوعی اختصاص دارد. موضوعی که در دنیای امروز به یکی از پایه های طراحی مدل های قابل اعتماد تبدیل شده است. در این بخش یاد می گیرید چگونه تصمیم های مدل را از منظر شفافیت، عدالت، سوگیری، قابلیت دفاع و مسئولیت پذیری ارزیابی کنید. این دوره به عنوان یک مسیر عملی در آموزش هوش مصنوعی کمک می کند مفاهیم پیچیده XAI را به صورت ساده و کاربردی یاد بگیرید.
آنچه در آموزش هوش مصنوعی توضیح پذیر (XAI) می آموزید:
• آشنایی با روش های نوین توضیح پذیری مدل ها مانند SHAP و LIME
• کاربردها و انواع روش های توضیح پذیری
• ساخت مدل توضیح پذیر با روش LIME
• ساخت مدل توضیح پذیر با روش SHAP
• کاربردهای واقعی XAI
در پایان، شما فقط به دیدن خروجی مدل های هوش مصنوعی بسنده نخواهید کرد. بلکه می توانید دلیل تصمیم گیری مدل ها را تحلیل کنید، رفتار آن ها را تفسیر کنید و میزان قابل اعتماد بودن نتایج را بهتر بسنجید. به بیان ساده، یک گام مهم از «استفاده صرف از مدل» به سمت «فهم عمیق تر منطق تصمیم گیری مدل های هوش مصنوعی» برمی دارید.
Google Colab
قبل از شرکت در دوره آموزشی شما می توانید پیش نمایش و ۱ قسمت آموزشی از ۵ قسمت را رایگان مشاهده کنید.(آموزش هایی که در سمت راست آن ها قفل باز است قبل از خرید و ورود در آموزش قابل مشاهده است)
با اطمینان دوره آموزشی "آموزش هوش مصنوعی توضیح پذیر (XAI)" را بخرید در صورتی که این آموزش مطابق با اطلاعات آن نبود و شما از خرید راضی نبودید، بازگشت وجه به طور انجام می شود.
امکان سوال از مدرس در بخش گفتگو ها مهیا است همچنین در صفحه پروفایل مدرسین شبکه های اجتماعی آنها جهت تعامل قرار دارد.
امکان دانلود و پخش آنلاین دوره وجود دارد و شما به طور دائم به آن دسترسی دارید.
هنوز بررسی برای این آموزش ثبت نشده است
