Курс на Stepik
Обложка курса «Интерпретируемые модели AI» на Stepik
Бесплатно

Интерпретируемые модели AI 4.500

Открыть на
STEPIK.ORG

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

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Интерпретируемые модели AI»Учеников на курсе 638
Сертификаты, выданные на курсе «Интерпретируемые модели AI»Сертификатов выдано 0
Отзывы о курсе «Интерпретируемые модели AI»Отзывов получено 2
Рейтинг курса «Интерпретируемые модели AI»Рейтинг курса 4.500
Уроки в курсе «Интерпретируемые модели AI»Количество уроков 30
Тесты в курсе «Интерпретируемые модели AI»Количество квизов 142
Время прохождения курса «Интерпретируемые модели AI»Время прохождения курса
Обновления курса «Интерпретируемые модели AI»Обновления курса
Дата публикации курса «Интерпретируемые модели AI»Дата публикации курса
Последнее обновление курса «Интерпретируемые модели AI»Последнее обновление
Сложность easy

Содержание курса

Разделы в курсе «Интерпретируемые модели AI» 9 разделов Уроки в курсе «Интерпретируемые модели AI» 30 уроков Тесты в курсе «Интерпретируемые модели AI» 142 теста Время прохождения курса «Интерпретируемые модели AI» 10 ч. Последнее обновление курса «Интерпретируемые модели AI» обн. 19 августа 2026

Организационный модуль: добро пожаловать!

2 урока
1. О курсе
2. Тест по машинному обучению

XAI: мотивация

2 урока
1. Зачем нужен XAI?
2. Зачем XAI нужен вам?

Терминология 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

Деревья решений и ансамбли

5 уроков
1. Decision Tree
2. Random Forest vs Decision Tree importances
3. Практические тонкости Feature importances: Catboost
4. Практические тонкости Feature importances: XGB и LightGBM
5. Домашнее задание: лес

Другие интерпретируемые модели

6 уроков
1. K-NN
2. Наивные Байесовские модели
3. SVM
4. GLM, GAM
5. Linear and Neural Trees
6. MoE

Заключение

1 урок
1. Завершающий тест по интерпретируемым моделям

Методы объяснений: введение

6 уроков
1. Введение: методы объяснений
2. SHAP
3. SHAP: Практика
4. LIME
5. LIME: Практика
6. Общий вывод и заключение

Новый модуль

0 уроков