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 — ———

Содержание курса

Разделы в курсе «ExplainableAI: Интерпретация моделей от ML до LLM» 20 разделов Уроки в курсе «ExplainableAI: Интерпретация моделей от ML до LLM» 99 уроков Тесты в курсе «ExplainableAI: Интерпретация моделей от ML до LLM» 351 тест Задачи в курсе «ExplainableAI: Интерпретация моделей от ML до LLM» 2 задачи Время прохождения курса «ExplainableAI: Интерпретация моделей от ML до LLM» 6 ч. Последнее обновление курса «ExplainableAI: Интерпретация моделей от ML до LLM» обн. 26 марта 2026

1. Организация курса

2 урока
Закрытый
1.1 О курсе ↗
548
129
2м 0с
17
Закрытый
1.2 Тест по машинному обучению ↗
216
104
4м 26с
5

2. XAI: мотивация и введение

2 урока
Закрытый
2.1 Зачем нужен XAI? ↗
202
118
4м 15с
7
Закрытый
2.2 Зачем XAI нужен вам? ↗
151
117
2м 17с
9

3. Терминология области XAI

4 урока
Закрытый
3.1 Терминология XAI: Введение ↗
168
128
3м 32с
10
Закрытый
3.2 Классификация методов объяснения ↗
171
113
4м 21с
10
Закрытый
3.3 Терминология области Reinforcement Learning ↗
145
89
4м 44с
5
Открытый
3.4 Causal inference (CI): ограничение XAI ↗
581
145
3м 44с
3

4. Линейные интерпретируемые модели

6 уроков
Закрытый
4.1 Интерпретируемые модели. Введение. Линейные модели. ↗
142
103
1м 24с
3
Закрытый
4.2 Линейная регрессия ↗
137
59
14м 13с
6
Закрытый
4.3 Логистическая регрессия ↗
107
53
10м 3с
4
Открытый
4.4 Использование регрессии в CI ↗
134
49
5м 23с
3
Закрытый
4.5 Домашнее задание: Логистическая регрессия ↗
90
26
20м 20с
4
Закрытый
4.6 Доп. практика: Веса линейной регрессии ↗
54
17
21м 59с
1

5. Нелинейные интерпретируемые модели

9 уроков
Закрытый
5.1 K-NN ↗
59
23
9м 9с
2
Закрытый
5.2 Наивные Байесовские модели ↗
51
20
15м 45с
0
Закрытый
5.3 SVM ↗
31
16
7м 31с
0
Закрытый
5.4 Decision Tree ↗
71
23
18м 13с
3
Закрытый
5.5 Random Forest vs Decision Tree importances ↗
58
32
3м 59с
0
Закрытый
5.6 Практические тонкости Feature importances: Catboost ↗
59
24
13м 14с
1
Закрытый
5.7 Практические тонкости Feature importances: XGB и LightGBM ↗
44
17
10м 7с
1
Закрытый
5.8 Домашнее задание: лес ↗
41
13
15м 15с
0
Закрытый
5.9 Завершающий тест по интерпретируемым моделям ↗
27
14
4м 49с
1

6. Доп. подходы к построению интерпретируемых ML моделей

3 урока
Закрытый
6.1 GLM, GAM ↗
16
5
5м 36с
0
Закрытый
6.2 Linear and Neural Trees ↗
11
3
0м 25с
0
Закрытый
6.3 MoE ↗
15
3
1м 55с
0

7. Методы объяснений для моделей машинного обучения pt. 1

6 уроков
Закрытый
7.1 Введение: методы объяснений ↗
78
21
5м 41с
0
Закрытый
7.2 CPO ↗
18
10
4м 52с
0
Закрытый
7.3 ICE ↗
26
14
4м 38с
0
Открытый
7.4 PDP ↗
65
16
5м 40с
1
Закрытый
7.5 ALE ↗
23
11
9м 56с
0
Закрытый
7.6 ICE, PDP, ALE: тест ↗
19
9
4м 6с
0

8. Методы объяснения для моделей машинного обучения pt. 2

8 уроков
Закрытый
8.1 Permutation importance ↗
27
10
5м 23с
0
Закрытый
8.2 Permutation Importance: Практика ↗
22
11
1м 54с
0
Закрытый
8.3 SHAP ↗
87
14
21м 31с
2
Закрытый
8.4 SHAP: Практика ↗
71
11
30м 45с
1
Закрытый
8.5 LIME ↗
63
24
3м 38с
0
Закрытый
8.6 LIME: Практика ↗
48
15
12м 32с
0
Закрытый
8.7 Counterfactual explanations ↗
25
8
1м 27с
0
Закрытый
8.8 Counterfactual explanations: Практика ↗
18
6
6м 27с
0

9. Взаимодействие признаков

5 уроков
Закрытый
9.1 Введение ↗
10
6
8м 50с
0
Закрытый
9.2 Карты взаимодействия признаков ↗
11
6
0м 27с
0
Закрытый
9.3 Значения SHAP в задаче оценки взаимодействия ↗
12
6
1м 39с
0
Закрытый
9.4 H-статистика Фридмана ↗
9
5
-
0
Закрытый
9.5 Взаимодействие признаков: Практика ↗
8
4
-
0

10. Методы объяснения в DL pt.1 CNN

5 уроков
Закрытый
10.1 Введение ↗
22
12
2м 35с
1
Закрытый
10.2 Понимание архитектур ↗
20
9
0м 25с
0
Закрытый
10.3 Learned Features [CNN] Визуализация карт активации ↗
17
5
2м 46с
0
Закрытый
10.4 Learned Features [CNN] Network Dissection ↗
12
5
2м 49с
0
Закрытый
10.5 Learned Features [CNN]: Практика ↗
14
6
0м 27с
0

11. Методы объяснения в DL pt.2 Gradient-based 1

10 уроков
Закрытый
11.1 Gradient-based explainability | Saliency Maps ↗
17
10
2м 20с
0
Закрытый
11.2 Image-Specific Class Saliency | Vanilla Gradients ↗
13
7
4м 25с
0
Закрытый
11.3 Vanilla Gradients + Input x Gradient: Практика ↗
10
4
11м 18с
0
Закрытый
11.4 CAM и GradCAM ↗
14
8
4м 10с
0
Закрытый
11.5 CAM: Практика ↗
7
5
-
0
Закрытый
11.6 Guided backpropagation ↗
9
7
-
0
Закрытый
11.7 Guided backpropagation: Практика ↗
7
5
-
0
Закрытый
11.8 Guided GradCAM и GradCAM++ ↗
8
5
-
0
Закрытый
11.9 GradCAM: Практика ↗
9
5
-
0
Закрытый
11.10 SmoothGrad ↗
8
6
-
0

12. Методы объяснения в DL pt.2 Gradient-based 2

8 уроков
Закрытый
12.1 Integrated Gradients (IG) ↗
9
4
-
1
Закрытый
12.2 Integrated Gradients (IG): Практика ↗
5
2
-
0
Закрытый
12.3 DeepLIFT ↗
8
3
-
0
Закрытый
12.4 DeepLIFT: Практика ↗
3
3
-
0
Закрытый
12.5 Layer-wise Relevance Propagation (LRP) pt. 1 ↗
3
3
-
0
Закрытый
12.6 Layer-wise Relevance Propagation (LRP) pt. 2 ↗
3
3
-
0
Закрытый
12.7 Layer-wise Relevance Propagation (LRP): Практика ↗
3
2
-
0
Закрытый
12.8 Обобщение по градиентным методам ↗
5
1
-
0

13. Методы объяснения в DL pt.3 Concept-based methods

8 уроков
Закрытый
13.1 CXAI: Concept-based eXplainable AI. Введение ↗
8
2
-
0
Закрытый
13.2 XRAI: IG + segmentation ↗
6
2
-
0
Закрытый
13.3 XRAI: Практика ↗
4
2
-
0
Закрытый
13.4 T-CAV: Testing with Concept Activation Vectors ↗
6
2
-
0
Закрытый
13.5 T-CAV: Практика ↗
4
2
-
0
Закрытый
13.6 Concept Bottleneck Models (CBM) ↗
3
2
-
0
Закрытый
13.7 Concept Embedding Models (CEM) ↗
4
3
-
0
Закрытый
13.8 CBM & CEM: Практика ↗
3
2
-
0

14. Методы объяснения в DL pt.4 Attention-based Explainability

6 уроков
Закрытый
14.1 Механизм Attention. Введение. RNN ↗
13
6
1м 40с
0
Закрытый
14.2 Механизм Attention. Введение. Transformers. Basic Theory ↗
10
4
0м 18с
0
Закрытый
14.3 Attention-based Explainability ↗
11
4
0м 26с
0
Закрытый
14.4 Attention на практике: RNN ↗
8
1
-
0
Закрытый
14.5 Attention на практике: Transformers ↗
9
2
-
0
Закрытый
14.6 Больше Attention: Rollout and Flow ↗
3
1
-
0

15. Анализ LLM

5 уроков
Закрытый
15.1 Анализ LLM: введение ↗
15
6
2м 50с
0
Закрытый
15.2 Анализ эмбеддинггов ↗
10
5
0м 12с
0
Закрытый
15.3 Зондирование ↗
10
4
0м 20с
0
Закрытый
15.4 Анализ эмбеддингов и зондирование: практика ↗
7
4
-
0
Закрытый
15.5 Promting техники ↗
7
4
-
0

16. Оценка качества объяснений

1 урок
Закрытый
16.1 Оценка объяснений XAI ↗
11
2
0м 14с
0

17. Методы анализа внутренних представлений

5 уроков
Закрытый
17.1 PCA ↗
6
1
-
0
Закрытый
17.2 Autoencoders, SAE, CAE and VAE ↗
5
1
-
0
Закрытый
17.3 PCA & Autoecnoders: практика ↗
2
1
-
0
Закрытый
17.4 Logit Lens ↗
7
1
-
0
Закрытый
17.5 Logit Lens: Практика ↗
4
1
-
0

18. Заключение

1 урок
Закрытый
18.1 Заключительный тест. ↗
9
1
-
1

19. Бонусы: материалы, чит-листы, открытые вебинары

2 урока
Открытый
19.1 Чит-лист по важностям признаков в ансамблях. ↗
71
71
0м 22с
1
Открытый
19.2 Туториалы ↗
23
20
1м 31с
0

20. Объяснение DL моделей через вмешательство

3 урока
Закрытый
20.1 Ablation, Occlusion и Permutation ↗
3
1
-
0
Закрытый
20.2 RISE ↗
3
1
-
0
Закрытый
20.3 Объяснение DL моделей через вмешательство: практика ↗
4
4
-
0