Explainable AI (XAI) Fundamentals for Trustworthy Machine Learning (bằng tiếng Anh).

Khi trí tuệ nhân tạo ngày càng thúc đẩy các quyết định trong chăm sóc sức khỏe, tài chính và các lĩnh vực quan trọng khác, việc hiểu cách các mô hình này đi đến kết luận của họ là cần thiết. Chương trình học dựa trên văn bản này hướng dẫn bạn qua các nguyên tắc cốt lõi của Trí tuệ nhân tạo giải thích được (XAI). Bạn sẽ chuyển từ việc huấn luyện mô hình chính xác đơn giản sang thiết kế các hệ thống trong suốt, có thể giải thích, và phù hợp với các tiêu chuẩn Trí Tuệ Nhân tạo hiện đại. Bạn sẽ học được: - Hiểu được sự trao đổi cơ bản giữa độ chính xác và khả năng giải thích. - Ứng dụng các phương pháp giải thích mô hình toàn cầu và địa phương như SHAP và LIME để giải thích các dự đoán phức tạp. - Phân tích hành vi mô hình sử dụng kỹ thuật giải thích nội tại trong cây quyết định và mô hình tuyến tính. - Đánh giá công bằng và phát hiện thiên vị trong dữ liệu huấn luyện và kết quả mô hình sử dụng khung đánh giá hiện đại. - Tìm hiểu các thách thức trong học sâu và mô hình sinh sản, bao gồm cơ chế chú ý. Chương trình học bắt đầu với các định nghĩa cơ bản về khả năng giải thích và tin tưởng trước khi chuyển sang các phân tích khái niệm thực tế và triển khai dựa trên mã của các thư viện XAI phổ biến. Bạn sẽ đọc qua các giải thích từng bước, phân tích các nghiên cứu trường hợp thực tế trong các lĩnh vực có rủi ro cao, và thực hành giải thích các kết quả mô hình thông qua các bài tập viết. Chương trình này được thiết kế cho các nhà khoa học dữ liệu, nhà phát triển AI, quản lý sản phẩm, và chuyên gia công nghệ mong muốn xây dựng các hệ thống AI có trách nhiệm. Không cần kinh nghiệm trước tiên với các khung giải thích, mặc dù một sự quen thuộc cơ bản với các khái niệm học máy sẽ hữu ích. Bắt đầu đọc hôm nay để xây dựng mô hình học máy mà mọi người có thể tin tưởng.