Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
課程簡介
高級 XAI 技術簡介
- 基本 XAI 方法回顧
- 解釋複雜 AI 模型的挑戰
- XAI 研發趨勢
與模型無關的可解釋性技術
- SHAP （SHapley 加法解釋）
- LIME （本地可解釋模型不可知的解釋）
- 錨點說明
特定於模型的可解釋性技術
- 階層相關性傳播 （LRP）
- DeepLIFT （Deep Learning 重要特性）
- 基於梯度的方法（Grad-CAM、集成梯度）
解釋 Deep Learning 模型
- 解釋卷積神經網路 （CNN）
- 解釋遞迴神經網路 （RNN）
- 分析基於 transformer 的模型（BERT、GPT）
處理可解釋性挑戰
- 解決黑盒模型限制
- 平衡準確性和可解釋性
- 處理解釋中的偏見和公平性
XAI 在實際系統中的應用
- XAI 在醫療保健、金融和法律系統中的應用
- AI 法規和合規性要求
- 通過 XAI 建立信任和問責制
可解釋 AI 的未來趨勢
- XAI 中的新興技術和工具
- 下一代可解釋性模型
- AI 透明度的機遇和挑戰
總結和後續步驟
最低要求
- 對 AI 和機器學習有深入的理解
- 具有神經網路和深度學習的經驗
- 熟悉基本的 XAI 技術
觀眾
- 經驗豐富的 AI 研究人員
- 機器學習工程師
21 時間：
