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 615
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 32
Тесты в курсе «Интерпретируемые модели AI»Количество квизов 118
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» 32 урока Тесты в курсе «Интерпретируемые модели AI» 118 тестов Время прохождения курса «Интерпретируемые модели AI» 4 ч. Последнее обновление курса «Интерпретируемые модели AI» обн. 4 марта 2026

1. Организационный модуль: добро пожаловать!

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

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 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. Деревья решений и ансамбли

5 уроков
Закрытый
5.1 Decision Tree ↗
71
23
18м 13с
3
Закрытый
5.2 Random Forest vs Decision Tree importances ↗
58
32
3м 59с
0
Закрытый
5.3 Практические тонкости Feature importances: Catboost ↗
59
24
13м 14с
1
Закрытый
5.4 Практические тонкости Feature importances: XGB и LightGBM ↗
44
17
10м 7с
1
Закрытый
5.5 Домашнее задание: лес ↗
41
13
15м 15с
0

6. Другие интерпретируемые модели

6 уроков
Закрытый
6.1 K-NN ↗
59
23
9м 9с
2
Закрытый
6.2 Наивные Байесовские модели ↗
51
20
15м 45с
0
Закрытый
6.3 SVM ↗
31
16
7м 31с
0
Закрытый
6.4 GLM, GAM ↗
16
5
5м 36с
0
Закрытый
6.5 Linear and Neural Trees ↗
11
3
0м 25с
0
Закрытый
6.6 MoE ↗
15
3
1м 55с
0

7. Заключение

1 урок
Закрытый
7.1 Завершающий тест по интерпретируемым моделям ↗
27
14
4м 49с
1

8. Методы объяснений: введение

6 уроков
Закрытый
8.1 Введение: методы объяснений ↗
78
21
5м 41с
0
Закрытый
8.2 SHAP ↗
87
14
21м 31с
2
Закрытый
8.3 SHAP: Практика ↗
71
11
30м 45с
1
Закрытый
8.4 LIME ↗
63
24
3м 38с
0
Закрытый
8.5 LIME: Практика ↗
48
15
12м 32с
0
Закрытый
8.6 Общий вывод и заключение ↗
30
30
1м 37с
0

9. Новый модуль

0 уроков