Plan du cours
Introduction à la compréhension des modèles de deep learning
- Quels sont les modèles à boîte noire ?
- L'importance de la transparence dans les systèmes d'IA
- Vue d'ensemble des défis de compréhension dans les réseaux neuronaux
Techniques avancées de compréhension des modèles de deep learning
- Méthodes indépendantes du modèle pour le deep learning : LIME, SHAP
- Propagation de la pertinence par couches (LRP)
- Cartes de saillance et méthodes basées sur les gradients
Expliquer les décisions des réseaux neuronaux
- Visualisation des couches cachées dans les réseaux neuronaux
- Compréhension des mécanismes d'attention dans les modèles de deep learning
- Génération d'explications lisibles par l'homme à partir des réseaux neuronaux
Outils pour expliquer les modèles de deep learning
- Introduction aux bibliothèques open source de compréhension des modèles d'IA
- Utilisation de Captum et InterpretML pour le deep learning
- Intégration des techniques de compréhension dans TensorFlow et PyTorch
Interprétabilité vs Performance
- Compromis entre précision et interprétabilité
- Conception de modèles de deep learning à la fois interprétables et performants
- Gestion des biais et de l'équité dans le deep learning
Applications concrètes de la compréhension des modèles de deep learning
- Compréhension dans les modèles d'IA pour la santé
- Exigences réglementaires en matière de transparence des systèmes d'IA
- Déploiement de modèles de deep learning interprétables en production
Considérations éthiques dans la compréhension des modèles de deep learning
- Implications éthiques de la transparence de l'IA
- Équilibre entre pratiques éthiques de l'IA et innovation
- Questions de confidentialité dans la compréhension des modèles de deep learning
Synthèse et prochaines étapes
Pré requis
- Bonne maîtrise des concepts du deep learning
- Connaissances de Python et des frameworks de deep learning
- Expérience dans le travail avec des réseaux neuronaux
Public cible
- Ingénieurs en deep learning
- Spécialistes en intelligence artificielle
Nos clients témoignent (2)
Offrir à ceux qui n'ont jamais utilisé l'IA une initiation aux bases de la formulation de requêtes, et inviter les utilisateurs expérimentés à explorer des méthodes alternatives pour l'employer.
Matthew Gay - Tarsus Pharmaceuticals
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Le détails des formules mathématiques qui permet de mettre en exergues les biais et limites ainsi que les paramètres importants à prendre en compte Pour la mise en application pratique des méthodes LIME et SHAPE.
