Курс на Stepik
Обложка курса «ExplainableAI: Интерпретация моделей от ML до LLM» на Stepik
7 900 ₽

ExplainableAI: Интерпретация моделей от ML до LLM ★ 4.000

Открыть на
STEPIK.ORG

Курс посвящён методам интерпретации моделей машинного и глубинного обучения (XAI). Рассматриваются математические основы и практическое применение интерпретируемости: от линейных моделей и ансамблей до CNN, Transformers и LLM. Особое внимание уделено современным методам объяснимости и их значению для повышения надёжности и безопасности AI-систем.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «ExplainableAI: Интерпретация моделей от ML до LLM»Учеников на курсе 110
Сертификаты, выданные на курсе «ExplainableAI: Интерпретация моделей от ML до LLM»Сертификатов выдано 0
Отзывы о курсе «ExplainableAI: Интерпретация моделей от ML до LLM»Отзывов получено 1
Рейтинг курса «ExplainableAI: Интерпретация моделей от ML до LLM»Рейтинг курса 4.000
Уроки в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»Количество уроков 99
Тесты в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»Количество квизов 351
Задачи с кодом в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»Количество задач с кодом 2
Время прохождения курса «ExplainableAI: Интерпретация моделей от ML до LLM»Время прохождения курса —
Стоимость курса «ExplainableAI: Интерпретация моделей от ML до LLM»Стоимость курса 7 900 ₽ —
Обновления курса «ExplainableAI: Интерпретация моделей от ML до LLM»Обновления курса — —
Дата публикации курса «ExplainableAI: Интерпретация моделей от ML до LLM»Дата публикации курса — ———
Последнее обновление курса «ExplainableAI: Интерпретация моделей от ML до LLM»Последнее обновление — ———
Сложность normal — ———

Чему вы научитесь

  • Понимать ключевые концепции Explainable AI и терминологию области.
  • Разбирать математические основы методов интерпретации.
  • Применять XAI к классическим моделям (линейная/логистическая регрессия, деревья, ансамбли).
  • Использовать современные методы объяснимости (Permutation Importance, SHAP, LIME, Counterfactuals и др.).
  • Анализировать взаимодействие признаков и интерпретировать сложные зависимости.
  • Работать с методами интерпретации в глубинном обучении: CNN, градиентные методы, attention-based, concept-based подходы.
  • Анализировать внутренние представления нейросетей (PCA, Autoencoders, Logit Lens).
  • Применять XAI к большим языковым моделям (LLM) и использовать probing и prompting-техники.
  • Оценивать качество объяснений и выбирать подходящие методы для практических задач.
  • Повышать прозрачность, надёжность и безопасность моделей в реальных проектах.

О курсе

Курс посвящён методам интерпретации моделей машинного и глубинного обучения (XAI). Рассматриваются математические основы и практическое применение интерпретируемости: от линейных моделей и ансамблей до CNN, Transformers и LLM. Особое внимание уделено современным методам объяснимости и их значению для повышения надёжности и безопасности AI-систем.

Для кого этот курс

Инженеры и исследователи ML/DL, которые хотят сделать модели прозрачными; Специалисты по данным, работающие над внедрением AI в проекты; Преподаватели и студенты, желающие глубже понять внутренние механизмы моделей. В результате обучения вы сможете повысить прозрачность и безопасность моделей, укрепить доверие пользователей и клиентов к AI-системам и применять XAI в реальных проектах.

Начальные требования

  • Знание математики в рамках школьной программы
  • Базовые знания высшей математики
  • Опыт анализа данных при помощи языка программирования Python
  • Знание основных алгоритмов классического машинного обучения
  • Опыт обучения глубинных моделей при помощи pyTorch

Преподаватели курса

Аватар Сабрина Садиех
Сабрина Садиех
Математик, исследователь в Explainable AI, магистрантка HSE.
★ 4.3
2 курса 710
→

Что вы получите

  • 1. Единственный на русскоязычном рынке полный курс по Explainable AI: от классических алгоритмов и ансамблей до CNN, Transformers и LLM.
  • 2. Системное понимание XAI — вы освоите все ключевые подходы интерпретации, их математическую основу и практическое применение.
  • 3. Навыки работы с современными методами: SHAP, LIME, Grad-CAM, Integrated Gradients, Counterfactuals, Attention-based и Concept-based XAI.
  • 4. Опыт анализа сложных моделей: взаимодействие признаков, probing внутренних представлений, работа с эмбеддингами.
  • 5. Инструменты для повышения доверия и безопасности моделей, которые можно сразу внедрять в рабочие проекты.
  • 6. Бонусы и практические материалы: чек-листы, готовые туториалы и вебинары для закрепления знаний.

Нагрузка

5

Расскажите о курсе друзьям