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 803
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 33
Тесты в курсе «Интерпретируемые модели AI»Количество квизов 145
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» 10 разделов Уроки в курсе «Интерпретируемые модели AI» 33 урока Тесты в курсе «Интерпретируемые модели AI» 145 тестов Время прохождения курса «Интерпретируемые модели AI» 8 ч. Последнее обновление курса «Интерпретируемые модели AI» обн. 10 октября 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 ↗

Доп. материалы, чит-листы, открытые вебинары

1 урок
1. Туториалы ↗

Новый модуль

0 уроков