Сколько стоит курс «ExplainableAI: Интерпретация моделей от ML до LLM»?

Стоимость курса составляет 7900.00 рублей

Сколько времени занимает прохождение курса «ExplainableAI: Интерпретация моделей от ML до LLM»?

Прохождение курса «ExplainableAI: Интерпретация моделей от ML до LLM» занимает примерно 9 часов.

Какой рейтинг у курса «ExplainableAI: Интерпретация моделей от ML до LLM»?

Курс имеет рейтинг 4.0 из 5 на основе 1 отзывов. На курсе обучается 117 учеников.

Где можно пройти курс «ExplainableAI: Интерпретация моделей от ML до LLM»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/198640.

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

Name: ExplainableAI: Интерпретация моделей от ML до LLM
Price: 7900.00 RUB
Availability: InStock
Rating: 4.0 (1 reviews)

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
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	117
Сертификатов выдано	0
Отзывов получено	1
Рейтинг курса	4.000
Количество уроков	148
Количество квизов	632
Количество задач с кодом	1
Время прохождения курса	9 ч.	—
Стоимость курса	7 900 ₽	—
Обновления курса	—	—
Дата публикации курса	2 года назад	—	—	—	—
Последнее обновление	10 октября 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»

35 разделов Уроки в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»

148 уроков Тесты в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»

632 теста Задачи в курсе «ExplainableAI: Интерпретация моделей от ML до LLM»

1 задача Время прохождения курса «ExplainableAI: Интерпретация моделей от ML до LLM»

9 ч.

обн. 10 октября 2026

Организация курса

2 урока

1. О курсе ↗

2. Тест по машинному обучению ↗

XAI: мотивация и введение

2 урока

1. Зачем нужен XAI? ↗

2. Зачем XAI нужен вам? ↗

Терминология области XAI

4 урока

1. Терминология XAI: Введение ↗

2. Классификация методов объяснения ↗

3. Терминология области Reinforcement Learning ↗

4. Causal inference (CI): ограничение XAI ↗

Линейные интерпретируемые модели

6 уроков

1. Интерпретируемые модели. Введение. Линейные модели. ↗

2. Линейная регрессия ↗

3. Логистическая регрессия ↗

4. Использование регрессии в CI ↗

5. Домашнее задание: Логистическая регрессия ↗

6. Доп. практика: Веса линейной регрессии ↗

Каузальность и интерпретируемость

4 урока

1. Каузальность как термин ↗

2. IV и DML ↗

3. Использование регрессии в CI ↗

4. Базовые подходы обеспечения каузальности в MI. ↗

Нелинейные интерпретируемые модели

9 уроков

1. K-NN ↗

2. Наивные Байесовские модели ↗

3. SVM ↗

4. Decision Tree ↗

5. Random Forest vs Decision Tree importances ↗

6. Практические тонкости Feature importances: Catboost ↗

7. Практические тонкости Feature importances: XGB и LightGBM ↗

8. Домашнее задание: лес ↗

9. Завершающий тест по интерпретируемым моделям ↗

Доп. подходы к построению интерпретируемых ML моделей

3 урока

1. GLM, GAM ↗

2. Linear and Neural Trees ↗

3. MoE ↗

Методы объяснений для моделей машинного обучения pt. 1

6 уроков

1. Введение: методы объяснений ↗

2. CPO ↗

3. ICE ↗

4. PDP ↗

5. ALE ↗

6. ICE, PDP, ALE: тест ↗

Методы объяснения для моделей машинного обучения pt. 2

8 уроков

1. Permutation importance ↗

2. Permutation Importance: Практика ↗

3. SHAP ↗

4. SHAP: Практика ↗

5. LIME ↗

6. LIME: Практика ↗

7. Counterfactual explanations ↗

8. Counterfactual explanations: Практика ↗

Взаимодействие признаков

5 уроков

1. Введение ↗

2. Карты взаимодействия признаков ↗

3. Значения SHAP в задаче оценки взаимодействия ↗

4. H-статистика Фридмана ↗

5. Взаимодействие признаков: Практика ↗

Методы объяснения в DL pt.1 CNN

5 уроков

1. Введение ↗

2. Понимание архитектур ↗

3. Learned Features [CNN] Визуализация карт активации ↗

4. Learned Features [CNN] Network Dissection ↗

5. Learned Features [CNN]: Практика ↗

Методы объяснения в DL pt.2 Gradient-based 1

10 уроков

1. Gradient-based explainability | Saliency Maps ↗

2. Image-Specific Class Saliency | Vanilla Gradients ↗

3. Vanilla Gradients + Input x Gradient: Практика ↗

4. CAM и GradCAM ↗

5. CAM: Практика ↗

6. Guided backpropagation ↗

7. Guided backpropagation: Практика ↗

8. Guided GradCAM и GradCAM++ ↗

9. GradCAM: Практика ↗

10. SmoothGrad ↗

Методы объяснения в DL pt.2 Gradient-based 2

8 уроков

1. Integrated Gradients (IG) ↗

2. Integrated Gradients (IG): Практика ↗

3. DeepLIFT ↗

4. DeepLIFT: Практика ↗

5. Layer-wise Relevance Propagation (LRP) pt. 1 ↗

6. Layer-wise Relevance Propagation (LRP) pt. 2 ↗

7. Layer-wise Relevance Propagation (LRP): Практика ↗

8. Обобщение по градиентным методам ↗

Методы объяснения в DL pt.3 Concept-based methods

8 уроков

1. CXAI: Concept-based eXplainable AI. Введение ↗

2. XRAI: IG + segmentation ↗

3. XRAI: Практика ↗

4. T-CAV: Testing with Concept Activation Vectors ↗

5. T-CAV: Практика ↗

6. Concept Bottleneck Models (CBM) ↗

7. Concept Embedding Models (CEM) ↗

8. CBM & CEM: Практика ↗

Методы объяснения в DL pt.4 Attention-based Explainability

6 уроков

1. Механизм Attention. Введение. RNN ↗

2. Механизм Attention. Введение. Transformers. Basic Theory ↗

3. Attention-based Explainability ↗

4. Attention на практике: RNN ↗

5. Attention на практике: Transformers ↗

6. Больше Attention: Rollout and Flow ↗

Анализ LLM

5 уроков

1. Анализ LLM: введение ↗

2. Анализ эмбеддинггов ↗

3. Зондирование ↗

4. Анализ эмбеддингов и зондирование: практика ↗

5. Promting техники ↗

Оценка качества объяснений

1 урок

1. Оценка объяснений XAI ↗

Методы анализа внутренних представлений

5 уроков

1. PCA ↗

2. Autoencoders, SAE, CAE and VAE ↗

3. PCA & Autoecnoders: практика ↗

4. Logit Lens ↗

5. Logit Lens: Практика ↗

Заключение

1 урок

1. Заключительный тест. ↗

Бонусы: материалы, чит-листы, открытые вебинары

2 урока

1. Чит-лист по важностям признаков в ансамблях. ↗

2. Туториалы ↗

Объяснение DL моделей через вмешательство

3 урока

1. Ablation, Occlusion и Permutation ↗

2. RISE ↗

3. Объяснение DL моделей через вмешательство: практика ↗

Атаки на объяснения

0 уроков

ЧЕРНОВИК · Взаимодействие признаков (заменит §8)

7 уроков

1. Введение ↗

2. Карты взаимодействия признаков ↗

3. Значения SHAP в задаче оценки взаимодействия ↗

4. H-статистика Фридмана ↗

5. Чему верить ↗

6. Взаимодействие признаков: Практика ↗

7. Итоговый тест по взаимодействию признаков ↗

Объяснение поведения агентов

2 урока

1. Введение: что есть агент ↗

2. Компонентный процесс объяснения ↗

ЧЕРНОВИК · Что сеть выучила: признаки и концепции (заменит §9)

8 уроков

1. Введение ↗

2. Что нужно помнить про CNN ↗

3. Learned Features [CNN] Визуализация карт активации ↗

4. Feature Visualization: спросить у сети напрямую ↗

5. Learned Features [CNN] Network Dissection ↗

6. «Одна единица — одна концепция»? ↗

7. Learned Features [CNN]: Практика ↗

8. Итоговый тест: что сеть выучила ↗

ЧЕРНОВИК · Атрибуция: градиент как эвристика (из §10)

6 уроков

1. Gradient-based explainability | Saliency Maps ↗

2. Image-Specific Class Saliency | Vanilla Gradients ↗

3. Vanilla Gradients + Input x Gradient: Практика ↗

4. SmoothGrad ↗

5. А правильная ли это карта? ↗

6. Итоговый тест: градиент как эвристика ↗

ЧЕРНОВИК · Атрибуция: локализация и CAM-семейство (из §10)

12 уроков

1. От пикселей к областям ↗

2. CAM и GradCAM ↗

3. CAM: Практика ↗

4. Guided backpropagation ↗

5. Guided backpropagation: Практика ↗

6. Guided GradCAM и GradCAM++ ↗

7. GradCAM: Практика ↗

8. Градиент-free CAM: Score-CAM, Ablation-CAM, Eigen-CAM ↗

9. Выбор слоя и верность карты: LayerCAM и HiResCAM ↗

10. CAM за пределами CNN: ViT и Swin ↗

11. Как сравнивать карты: insertion и deletion ↗

12. Итоговый тест: локализация и CAM-семейство ↗

ЧЕРНОВИК · Атрибуция от аксиом: IG, DeepLIFT, LRP (заменит §11)

14 уроков

1. Перевернуть постановку ↗

2. Integrated Gradients (IG) ↗

3. Выбор baseline: чего мы на самом деле спрашиваем ↗

4. Integrated Gradients (IG): Практика ↗

5. DeepLIFT ↗

6. Rescale и RevealCancel: правила DeepLIFT ↗

7. DeepLIFT: Практика ↗

8. Layer-wise Relevance Propagation (LRP) pt. 1 ↗

9. Layer-wise Relevance Propagation (LRP) pt. 2 ↗

10. Layer-wise Relevance Propagation (LRP): Практика ↗

11. Атрибуция для трансформеров ↗

12. Всё это — одна chain rule ↗

13. Обобщение по градиентным методам ↗

14. Итоговый тест: атрибуция от аксиом ↗

ЧЕРНОВИК: Deep Dive в SHAP

7 уроков

1. Напоминание ↗

2. Как работают ускорения SHAP ↗

3. TreeSHAP и DeepSHAP ↗

4. Как убирать признаки на разных модальностях? ↗

5. SHAP для разных игроков ↗

6. SHAP на генеративных моделях ↗

7. Ограничения ↗

ЧЕРНОВИК: Deep Dive в CF

10 уроков

1. 1 ↗

2. 2 ↗

3. 3 ↗

4. 4 ↗

5. 5 ↗

6. 6 ↗

7. 7 ↗

8. 8 ↗

9. 9 ↗

10. 10 ↗

ЧЕРНОВИК ЗАМЕНА §13 → модуль 14 · Attention-based объяснимость

7 уроков

1. Механизм Attention. Введение. RNN ↗

2. Механизм Attention. Введение. Transformers. Basic Theory ↗

3. Attention-based Explainability ↗

4. Attention на практике: RNN ↗

5. Attention на практике: Transformers ↗

6. Больше Attention: Rollout and Flow ↗

7. Итоговый тест: attention-based объяснимость ↗

ЧЕРНОВИК ЗАМЕНА §14 → модуль 15 · Анализ LLM

6 уроков

1. Анализ LLM: введение ↗

2. Анализ эмбеддинггов ↗

3. Зондирование ↗

4. Анализ эмбеддингов и зондирование: практика ↗

5. Promting техники ↗

6. Итоговый тест: анализ LLM ↗

ЧЕРНОВИК НОВЫЙ → модуль 05 · Гетерогенные эффекты

5 уроков

1. Средний эффект и индивидуальный ↗

2. Мета-обучатели: S, T и X ↗

3. Причинный лес и честное расщепление ↗

4. Как читать оценку и где ошибиться ↗

5. Итоговый тест: гетерогенные эффекты ↗

ЧЕРНОВИК ЗАМЕНА §12 → модуль 13 · Concept-based методы

9 уроков

1. CXAI: Concept-based eXplainable AI. Введение ↗

2. XRAI: IG + segmentation ↗

3. XRAI: Практика ↗

4. T-CAV: Testing with Concept Activation Vectors ↗

5. T-CAV: Практика ↗

6. Concept Bottleneck Models (CBM) ↗

7. Concept Embedding Models (CEM) ↗

8. CBM & CEM: Практика ↗

9. Итоговый тест: concept-based методы ↗

ЧЕРНОВИК НОВЫЙ → модуль 18 · Внутренние представления

6 уроков

1. PCA ↗

2. Autoencoders, SAE, CAE and VAE ↗

3. PCA & Autoecnoders: практика ↗

4. Logit Lens ↗

5. Logit Lens: Практика ↗

6. Итоговый тест: анализ внутренних представлений ↗