Cursusaanbod
Inleiding tot verklaarbare kunstmatige intelligentie
- Wat is verklaarbare kunstmatige intelligentie (XAI)?
- Waarom transparantie in AI-modellen van belang is
- De belangrijkste uitdagingen bij het interpreteren van AI-modellen
Basistechnieken voor verklaarbare kunstmatige intelligentie
- Modelonafhankelijke methoden: LIME en SHAP
- Specifieke technieken voor het verklaarbaar maken van bepaalde modellen
- Het uitleggen van beslissingen die door zogenaamde 'black-box'-modellen worden genomen
Praktijk met XAI-hulpmiddelen
- Kennismaking met open-source bibliotheken voor XAI
- Het toepassen van XAI-technieken op eenvoudige machine learning-modellen
- Het visualiseren van verklaringen en het gedrag van modellen
Uitdagingen in het verklaarbaar maken van AI-modellen
- Het afwegen tussen nauwkeurigheid en interpretabiliteit
- Beperkingen van huidige XAI-technieken
- Het omgaan met bias en onpartijdigheid bij verklaarbare modellen
Ethische overwegingen binnen XAI
- De ethische gevolgen van transparantie in kunstmatige intelligentie begrijpen
- Het afwegen tussen verklaarbaarheid en prestaties van AI-modellen
- Privacy- en gegevensbeschermingsaspecten binnen XAI
Praktische toepassingen van verklaarbare kunstmatige intelligentie
- Het gebruik van XAI in zorg, financiën en justitie
- Wettelijke eisen met betrekking tot het verklaarbaar maken van AI-modellen
- Het opbouwen van vertrouwen in AI-systemen door transparantie
Gevorderde concepten binnen verklaarbare kunstmatige intelligentie
- Kijken naar zogenaamde ‘counterfactual’-verklaringen
- Het verklaren van neurale netwerken en diepe leer-modellen
- Interpretatie van complexe AI-systemen
Toekomstige ontwikkelingen in het vakgebied van XAI
- Nieuwe onderzoeksrichtingen binnen verklaarbare kunstmatige intelligentie
- De uitdagingen en mogelijkheden voor toekomstige verbeteringen in AI-transparantie
- De impact van XAI op verantwoorde ontwikkeling van kunstmatige intelligentie
Samenvatting en aanbevolen vervolgstappen
Vereisten
- Basiskennis van begrippen uit het domein van machine learning
- Kennismaking met de programmeertaal Python
Doelgroep
- Beginners in het vakgebied van kunstmatige intelligentie
- Geïnteresseerden in datawetenschap
Getuigenissen (1)
De details van de wiskundige formules die de vooroordelen en beperkingen benadrukken, evenals de belangrijke parameters die moeten worden overwogen bij de praktische toepassing van de LIME- en SHAPE-methoden.
Heddy Bouron Cardey - Bayer
Cursus - Introduction to Explainable AI (XAI) for Beginners
Automatisch vertaald
