感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
高級XAI技術介紹
- 回顧基本XAI方法
- 解讀複雜AI模型的挑戰
- XAI研究和開發趨勢
模型無關可解釋性技術
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Anchor explanations
模型特定可解釋性技術
- Layer-wise relevance propagation (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Gradient-based methods (Grad-CAM, Integrated Gradients)
解讀深度學習模型
- 解讀卷積神經網絡 (CNNs)
- 解讀循環神經網絡 (RNNs)
- 分析基於transformer的模型 (BERT, GPT)
處理可解釋性挑戰
- 解決黑盒模型的局限性
- 平衡準確性和可解釋性
- 處理解釋中的偏差和公平性
XAI在現實世界系統中的應用
- 醫療保健、金融和法律系統中的XAI
- AI法規和合規要求
- 通過XAI建立信任和問責制
可解釋性AI的未來趨勢
- XAI中的新興技術和工具
- 下一代可解釋性模型
- AI透明度的機遇與挑戰
總結和後續步驟
最低要求
- 紮實的AI和機器學習知識
- 具備神經網絡和深度學習的經驗
- 熟悉基本的XAI技術
目標對象
- 經驗豐富的AI研究人員
- 機器學習工程師
21 小時
