Zkuste nás kontaktovat

Návrh Školení

Úvod do vysvětlitelnosti v hlubokém učení

  • Co jsou modely typu „black box“?
  • Důležitost transparentnosti u AI systémů
  • Přehled problémů s vysvětlitelností u neuronových sítí

Pokročilé techniky XAI pro hluboké učení

  • Modelově nezávislé metody: LIME a SHAP
  • Propagace významnosti jednotlivých vrstev (LRP)
  • Salienční mapy a metody založené na gradientech

Vysvětlování rozhodnutí neuronových sítí

  • Vizualizace skrytých vrstev v neuronových sítích
  • Pochopení mechanismů pozornosti v modelech hlubokého učení
  • Generování lidsky srozumitelných vysvětlení na základě výstupů neuronových sítí

Nástroje pro vysvětlování modelů hlubokého učení

  • Seznámení s open-source knihovnami XAI
  • Použití nástrojů Captum a InterpretML při práci s hlubokým učením
  • Integrace technik vysvětlitelnosti do frameworků TensorFlow a PyTorch

Vysvětlitelnost versus výkon

  • Kompromisy mezi přesností a pochopitelností modelů
  • Návrh hlubokých učebních modelů, které jsou zároveň srozumitelné i efektivní
  • Řešení problémů spojených s předpojatostí a spravedlností v AI

Reálné aplikace vysvětlitelnosti hlubokého učení

  • Použití vysvětlitelných modelů v zdravotnické AI
  • Regulační požadavky na transparentnost systémů AI
  • Nasazování srozumitelných modelů hlubokého učení do praxe

Etické aspekty vysvětlitelnosti hlubokého učení

  • Etické důsledky transparentního chování AI systémů
  • Sladění etických postupů s potřebou inovací v AI
  • Otázky soukromí při aplikaci technik vysvětlitelnosti v hlubokém učení

Shrnutí a další kroky

Požadavky

  • Pokročilé znalosti v oblasti hlubokého učení
  • Ovládání jazyka Python a pracovní nástrojů pro hluboké učení
  • Zkušenosti s prácí na neuronových sítích

Cílová skupina

  • Inženýři specializující se na hluboké učení
  • Odborníci v oblasti umělé inteligence
 21 Hodiny

Počet účastníků


Cena za účastníka

Reference (3)

Nadcházející kurzy

Související kategorie