Explainability in Deep Learning: Demystifying Black-Box Models Training Course
Kemampuan menjelaskan dalam pembelajaran mendalam merupakan area penting yang difokuskan pada upaya mengungkap cara kerja internal jaringan saraf yang kompleks. Kursus ini mendalami teknik-teknik kemampuan menjelaskan tingkat lanjut, yang memungkinkan peserta memperoleh wawasan tentang model "kotak hitam" dengan membuatnya lebih mudah ditafsirkan dan transparan.
Pelatihan langsung yang dipandu instruktur ini (daring atau di tempat) ditujukan untuk profesional tingkat lanjut yang ingin mengeksplorasi teknik XAI tercanggih untuk model pembelajaran mendalam, dengan fokus pada pembangunan sistem AI yang dapat ditafsirkan.
Pada akhir pelatihan ini, peserta akan dapat:
- Memahami tantangan keterjelasan dalam pembelajaran mendalam.
- Menerapkan teknik XAI tingkat lanjut untuk jaringan saraf.
- Menafsirkan keputusan yang dibuat oleh model pembelajaran mendalam.
- Mengevaluasi keseimbangan antara kinerja dan transparansi.
Format Kursus
- Kuliah dan diskusi interaktif.
- Banyak latihan dan praktik.
- Implementasi langsung di lingkungan lab langsung.
Opsi Kustomisasi Kursus
- Untuk meminta pelatihan khusus untuk kursus ini, silakan hubungi kami untuk mengaturnya.
Course Outline
Pengantar Deep Learning Penjelasan
- Apa itu model kotak hitam?
- Pentingnya transparansi dalam sistem AI
- Tinjauan umum tantangan penjelasan dalam jaringan saraf
Teknik XAI Lanjutan untuk Deep Learning
- Metode model-agnostik untuk pembelajaran mendalam: LIME, SHAP
- Propagasi relevansi berdasarkan lapisan (LRP)
- Peta saliency dan metode berbasis gradien
Menjelaskan Keputusan Jaringan Saraf
- Memvisualisasikan lapisan tersembunyi dalam jaringan saraf
- Memahami mekanisme perhatian dalam model pembelajaran mendalam
- Menghasilkan penjelasan yang dapat dibaca manusia dari jaringan saraf
Alat untuk Menjelaskan Deep Learning Model
- Pengenalan pustaka XAI sumber terbuka
- Menggunakan Captum dan InterpretML untuk pembelajaran mendalam
- Mengintegrasikan teknik penjelasan dalam TensorFlow dan PyTorch
Kemampuan Interpretasi vs. Kinerja
- Pertukaran antara akurasi dan interpretabilitas
- Merancang model pembelajaran mendalam yang dapat ditafsirkan namun berkinerja
- Menangani bias dan keadilan dalam pembelajaran mendalam
Aplikasi Dunia Nyata dari Deep Learning Kemampuan Menjelaskan
- Penjelasan dalam model AI perawatan kesehatan
- Persyaratan peraturan untuk transparansi dalam AI
- Menerapkan model pembelajaran mendalam yang dapat ditafsirkan dalam produksi
Pertimbangan Etis dalam Penjelasan Deep Learning
- Implikasi etis dari transparansi AI
- Menyeimbangkan praktik AI yang etis dengan inovasi
- Kekhawatiran privasi dalam penjelasan pembelajaran mendalam
Ringkasan dan Langkah Berikutnya
Requirements
- Pemahaman tingkat lanjut tentang pembelajaran mendalam
- Keakraban dengan Python dan kerangka kerja pembelajaran mendalam
- Pengalaman bekerja dengan jaringan saraf
Hadirin
- Insinyur pembelajaran mendalam
- Spesialis AI
Open Training Courses require 5+ participants.
Explainability in Deep Learning: Demystifying Black-Box Models Training Course - Booking
Explainability in Deep Learning: Demystifying Black-Box Models Training Course - Enquiry
Explainability in Deep Learning: Demystifying Black-Box Models - Consultancy Enquiry
Consultancy Enquiry
Testimonials (5)
Hunter luar biasa, sangat menarik, sangat berpengetahuan dan menarik. Bagus sekali.
Rick Johnson - Laramie County Community College
Course - Artificial Intelligence (AI) Overview
Machine Translated
Very flexible.
Frank Ueltzhoffer
Course - Artificial Neural Networks, Machine Learning and Deep Thinking
I liked the new insights in deep machine learning.
Josip Arneric
Course - Neural Network in R
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Course - Introduction to the use of neural networks
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Course - Artificial Neural Networks, Machine Learning, Deep Thinking
Upcoming Courses (Minimal 5 peserta)
Related Courses
Advanced Techniques in Explainable AI (XAI)
21 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat lanjut yang ingin meningkatkan pemahaman mereka tentang teknik XAI untuk model AI yang kompleks.
Pada akhir pelatihan ini, peserta akan dapat:
- Terapkan teknik XAI tercanggih dalam model AI.
- Menafsirkan model pembelajaran mendalam dan keputusannya.
- Terapkan metode penjelasan tingkat lanjut yang tidak bergantung pada model dan spesifik pada model.
- Atasi tantangan terkait transparansi AI dalam sistem yang kompleks.
Artificial Intelligence (AI) in Automotive
14 HoursKursus ini mencakup AI (emphasizing Machine Learning dan Deep Learning) di Automotive Industri. Ini membantu menentukan teknologi apa yang dapat (potensial) digunakan dalam situasi berbilang dalam sebuah mobil: dari otomatisasi sederhana, pengenalan gambar hingga pengambilan keputusan otomatis.
Artificial Intelligence (AI) Overview
7 HoursKursus ini telah diciptakan untuk manajer, arsitek solusi, pejabat inovasi, CTO, arsitek perangkat lunak dan siapa saja yang tertarik dengan gambaran keseluruhan kecerdasan buatan yang diterapkan dan ramalan terdekat untuk pengembangan.
From Zero to AI
35 HoursThis instructor-led, live training in Indonesia (online or onsite) is aimed at beginner-level participants who wish to learn essential concepts in probability, statistics, programming, and machine learning, and apply these to AI development.
By the end of this training, participants will be able to:
- Understand basic concepts in probability and statistics, and apply them to real-world scenarios.
- Write and understand procedural, functional, and object-oriented programming code.
- Implement machine learning techniques such as classification, clustering, and neural networks.
- Develop AI solutions using rules engines and expert systems for problem-solving.
Artificial Neural Networks, Machine Learning, Deep Thinking
21 HoursJaringan Syaraf Tiruan adalah model data komputasi yang digunakan dalam pengembangan sistem Artificial Intelligence (AI) yang mampu melakukan tugas-tugas "cerdas". Neural Networks umumnya digunakan dalam aplikasi Machine Learning (ML), yang merupakan salah satu implementasi AI. Deep Learning adalah bagian dari ML.
Applied Machine Learning
14 HoursThis instructor-led, live training in Indonesia (online or onsite) is aimed at intermediate-level data scientists and statisticians who wish to prepare data, build models, and apply machine learning techniques effectively in their professional domains.
By the end of this training, participants will be able to:
- Understand and implement various Machine Learning algorithms.
- Prepare data and models for machine learning applications.
- Conduct post hoc analyses and visualize results effectively.
- Apply machine learning techniques to real-world, sector-specific scenarios.
Artificial Neural Networks, Machine Learning and Deep Thinking
21 HoursArtificial Neural Network is a computational data model used in the development of Artificial Intelligence (AI) systems capable of performing "intelligent" tasks. Neural Networks are commonly used in Machine Learning (ML) applications, which are themselves one implementation of AI. Deep Learning is a subset of ML.
Pattern Recognition
21 HoursThis instructor-led, live training in Indonesia (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
- Apply core statistical methods to pattern recognition.
- Use key models like neural networks and kernel methods for data analysis.
- Implement advanced techniques for complex problem-solving.
- Improve prediction accuracy by combining different models.
Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
21 HoursJenis: Pelatihan teoretis dengan penerapan yang diputuskan sebelumnya dengan siswa tentang Lasagna atau Keras sesuai dengan kelompok pendidikan
Metode pengajaran: presentasi, diskusi dan studi kasus
Kecerdasan buatan, setelah mendisrupsi banyak bidang ilmu pengetahuan, telah mulai merevolusi sejumlah besar sektor ekonomi (industri, kedokteran, komunikasi, dll.). Namun penyajiannya di media arus utama seringkali hanya sekedar khayalan, sangat jauh dari domain Machine Learning atau Deep Learning sebenarnya. Tujuan dari pelatihan ini adalah untuk membekali para insinyur yang telah menguasai alat-alat TI (termasuk pemrograman perangkat lunak dasar) dengan pengenalan Deep Learning serta berbagai bidang spesialisasi dan arsitektur jaringan utama yang ada saat ini. Jika dasar-dasar matematika tercakup selama kursus, tingkat matematika BAC+2 direkomendasikan untuk kenyamanan yang lebih baik. Sangat mungkin untuk mengabaikan sumbu matematika dan hanya mempertahankan visi “sistem”, namun pendekatan ini akan sangat membatasi pemahaman Anda tentang subjek tersebut.
Introduction to the Use of Neural Networks
7 HoursThe training is aimed at people who want to learn the basics of neural networks and their applications.
Neural Network in R
14 HoursThis course is an introduction to applying neural networks in real world problems using R-project software.
TPU Programming: Building Neural Network Applications on Tensor Processing Units
7 HoursIn this instructor-led, live training in Indonesia, participants will learn how to take advantage of the innovations in TPU processors to maximize the performance of their own AI applications.
By the end of the training, participants will be able to:
- Train various types of neural networks on large amounts of data.
- Use TPUs to speed up the inference process by up to two orders of magnitude.
- Utilize TPUs to process intensive applications such as image search, cloud vision and photos.
Introduction to Explainable AI (XAI) for Beginners
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat pemula yang ingin mempelajari dasar-dasar AI yang Dapat Dijelaskan dan perannya dalam mengembangkan sistem AI yang bertanggung jawab.
Pada akhir pelatihan ini, peserta akan dapat:
- Memahami konsep dasar AI yang dapat dijelaskan.
- Jelajahi pentingnya transparansi dan interpretabilitas dalam model AI.
- Pelajari teknik dasar untuk membuat model AI dapat dijelaskan.
- Terapkan teknik XAI ke model pembelajaran mesin sederhana.
Explainable AI (XAI) for Ethical AI Development
14 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat menengah yang ingin menerapkan teknik AI yang Dapat Dijelaskan untuk memastikan keadilan, transparansi, dan sistem AI yang etis.
Pada akhir pelatihan ini, peserta akan dapat:
- Memahami peran XAI dalam sistem AI yang etis.
- Terapkan teknik XAI untuk mendeteksi dan mengurangi bias dalam model AI.
- Pastikan transparansi dalam proses pengambilan keputusan model AI.
- Menyelaraskan pengembangan AI dengan standar etika dan peraturan.
Explainable AI (XAI) for Transparency in AI Models
21 HoursPelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk profesional tingkat menengah hingga tingkat lanjut yang ingin menerapkan sistem AI transparan dalam aplikasi dunia nyata.
Pada akhir pelatihan ini, peserta akan dapat:
- Memahami pentingnya transparansi dalam model AI.
- Terapkan teknik XAI tingkat lanjut untuk menginterpretasikan model yang kompleks.
- Tingkatkan transparansi model menggunakan SHAP, LIME, dan alat lainnya.
- Menangani masalah etika dan keadilan dalam model AI.