Чему вы научитесь
- Понимать, зачем необходим Explainable AI и какую ценность он приносит в проектах.
- Разбираться в ключевых терминах XAI и классифицировать методы объяснения.
- Применять интерпрерпретируемые модели для построения выводов и понимать их связь с причинно-следственными выводами (Causal Inference).
- Оценивать важность признаков с использованием деревьев решений, Random Forest и популярных библиотек CatBoost, XGBoost и LightGBM.
- Выполнять практические задания для закрепления теоретических знаний на реальных примерах.
О курсе
В курсе изучаются концепции и определения области XAI. Приводится практическая ценность и мотивации данной области. За время прохождения, вы погрузитесь в терминологию и научитесь классифицировать методы объяснения, рассмотрите модели ML и научитесь корректно интерпретировать их.
Курс является частью полной версии: https://stepik.org/198640
Для кого этот курс
Курс будет полезен как начинающим специалистам, так и продолжающим, для более глубокого погружения в модели ML и их интерпретацию.
Начальные требования
- Знание математики в рамках школьной программы
- Базовые знания высшей математики
- Минимальный опыт анализа данных при помощи языка программирования Python
- Знание основных алгоритмов классического машинного обучения
713