Чему вы научитесь
- Понимать, зачем необходим Explainable AI и какую ценность он приносит в проектах.
- Разбираться в ключевых терминах XAI и классифицировать методы объяснения.
- Применять интерпрерпретируемые модели для построения выводов и понимать их связь с причинно-следственными выводами (Causal Inference).
- Оценивать важность признаков с использованием деревьев решений, Random Forest и популярных библиотек CatBoost, XGBoost и LightGBM.
- Выполнять практические задания для закрепления теоретических знаний на реальных примерах.
О курсе
В критических отраслях и в ряде бизнес-решений интерпретируемость моделей становится ключевым элементом их применения. Курс предназначен для всех, кто хочет понять, как сделать модели прозрачными для пользователей и бизнеса.
Вы начнете с базовых концепций XAI и разберете их практическую ценность. Затем погрузитесь в терминологию и научитесь классифицировать методы объяснения. Мы рассмотрим модели ML и научимся корректно интерпретировать их — согласно с математической постановкой моделей.
Курс является частью полной версии: https://stepik.org/198640
Для кого этот курс
Курс будет полезен как начинающим специалистам, так и продолжающим, для более глубокого погружения в модели ML и их интерпретацию.
Начальные требования
- Знание математики в рамках школьной программы
- Базовые знания высшей математики
- Минимальный опыт анализа данных при помощи языка программирования Python
- Знание основных алгоритмов классического машинного обучения
Наши преподаватели
Программа курса
Price:
Бесплатно