Interpretable Machine Learning for Responsible AI (bằng tiếng Anh).

Khi trí tuệ nhân tạo nắm giữ các quyết định quan trọng trong các lĩnh vực như tài chính và chăm sóc sức khỏe, việc hiểu cách các mô hình đi đến kết luận của họ không còn là tùy chọn. Chương trình này giải quyết nhu cầu thiết yếu về tính minh bạch, vượt qua độ chính xác đơn giản để đảm bảo các hệ thống AI là công bằng, đáng tin cậy và có thể giải thích được. Bạn sẽ chuyển từ việc xây dựng mô hình đơn giản đến kiểm toán chúng, giành được kỹ năng giải thích các quyết định thuật toán phức tạp cho các bên liên quan và đảm bảo phù hợp với các tiêu chuẩn đạo đức. Qua các giải thích bằng văn bản và các ví dụ dựa trên mã, bạn sẽ học cách nối kết khoảng cách giữa hiệu suất kỹ thuật và hiểu biết của con người. Bạn sẽ học được: - Hiểu được sự cân bằng cơ bản giữa sự phức tạp của mô hình và khả năng giải thích - Apply global interpretation methods such as feature importance and partial dependence plots - Học kỹ thuật giải thích địa phương bao gồm LIME và SHAP để chứng minh các dự đoán cá nhân - Nhận dạng và giảm bớt thiên vị thuật toán để đảm bảo kết quả AI đạo đức và công bằng - Phân tích các mô hình có thể giải thích như cây quyết định và mô hình tuyến tính tổng quát - Thực hành đánh giá độ tin cậy của mô hình trong môi trường rủi ro cao thông qua phân tích cấu trúc Chương trình bắt đầu với thuật ngữ thiết yếu và các khái niệm cơ bản của tính minh bạch trước khi chuyển sang các kỹ thuật thực tế để kiểm toán cả mô hình đơn giản và phức tạp. Bạn sẽ tiến triển thông qua các bài tập viết củng cố cách áp dụng các phương pháp này cho các luồng dữ liệu hiện đại. Chương trình này được thiết kế cho người mới bắt đầu trong khoa học dữ liệu và AI muốn ưu tiên đạo đức và sự rõ ràng; không cần kinh nghiệm trước đó với kiểm toán mô hình. Bắt đầu xây dựng hệ thống AI mà người ta có thể tin tưởng.