可解释的人工智能

资源截图

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz，2 Ch
语言：英语 |时长：41m

你将学到什么

• 定义 XAI 分类
• 区分事前和事后可解释性模型
• XAI方法在深度学习模型中的应用
• 评估不同 XAI 方法的性能

本课程旨在提供对深度学习模型的各种可解释人工智能方法的应用以及机器学习模型本质上可解释方面的良好理解。

智能集成数据分析用于不同问题设置下的实时系统，有助于以最高的准确性立即做出决策。为了确保这一点，有必要证明基于捕获的数据的分析算法和应用于这些应用程序的机器学习算法的准确性。计算准确度、精确度、召回率和 F1 分数可能有助于选择合适的机器学习或深度学习模型进行预测。然而，由于配备机器学习/深度学习算法的基于人工智能的分析系统通常是黑匣子，用户只能看到输入和输出，而看不到内部运作。没有适当的证据表明这些系统给出的预测是正确的。这种缺乏透明度使得理解他们如何以及为何做出决定本身就具有挑战性。为了让人类操作员或最终用户信任人工智能系统，这些解释必须符合人类的感知和期望。然而，当前的机器学习或深度学习模型由于其固有的复杂性和缺乏透明度而往往不值得信赖。