Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot toegankelijke kunstmatige intelligentie (XAI) en transparantie van modellen
- Wat houdt toegankelijke AI precies in?
- Waarom is transparantie belangrijk voor AI-systemen
- Interpretabiliteit versus prestaties van AI-modellen
Overzicht van XAI-technieken
- Modelonafhankelijke methoden: SHAP, LIME
- Technieken die specifiek gericht zijn op bepaalde modellen
- Het uitleggen van neurale netwerken en deep learning-modellen
Ontwikkeling van transparante AI-modellen
- Hoe begrijpelijke modellen in de praktijk te implementeren zijn
- Transparante versus zwarte-doosmodellen vergelijken
- Een evenwicht vinden tussen complexiteit en interpretabiliteit
Geavanceerde XAI-tools en -bibliotheken
- SHAP gebruiken voor het interpreteren van modellen
- LIME benutten om lokaal begrijpelijke resultaten te genereren
- Visuele weergave van beslissingen en gedragingen van modellen
Eerlijkheid, vooroordelen en ethiek in AI aanpakken
- Vooroordelen in AI-modellen identificeren en verminderen
- Eerlijkheid in AI en de maatschappelijke gevolgen ervan
- Verantwoordelijkheidsbesef en ethiek garanderen bij AI-implementatie
Praktijkvoorbeelden van toepassingen van XAI
- Voorbeeldcases uit de gezondheidszorg, financiën en overheid
- Hoe AI-modellen te interpreteren om voldoen aan wettelijke eisen
- Vertrouwen opbouwen door transparante AI-systemen
Toekomstige ontwikkelingen binnen toegankelijke kunstmatige intelligentie
- Recent onderzoek op het gebied van XAI
- Uitdagingen bij het toepassen van XAI in grootschalige systemen
- Mogelijkheden voor verdere ontwikkeling van transparante AI
Samenvatting en volgende stappen
Vereisten
- Ervaring in machine learning en het ontwikkelen van AI-modellen
- Kennis van Python-programmering
Doelgroep
- Datawetenschappers
- Machine learning-engineers
- AI-specialisten
21 Uren
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
