Data SciencePythonR

Interpretacja modeli Machine Learning

20 - 22 maj 2024

Online

3 050,00 zł netto / osobę
Nie pasuje Ci żaden termin? Napisz do nas!
Zapisz więcej osób

Taniej w grupie

  • 3 osoby - 10% zniżki
  • 4 osoby - 15% zniżki
  • 5 osób - 20% zniżki
  • 6 osób - 25% zniżki
  • 7 osób - 30% zniżki
  • O szkoleniu

    Interpretacja modeli jest bardzo szybko rozwijającą się gałęzią uczenia maszynowego. Jest niezwykle ważna dla analityków danych oraz osób podejmujących decyzje biznesowe. Szkolenie interpretacja modeli machine learning ułatwi zrozumienie dowolnego modelu i wyjaśnienie skąd biorą się decyzje modelu. Na szkoleniu zaprezentujemy najnowocześniejsze metody i techniki pozwalające wyjaśnić model. Szkolenie zaczyna się od teoretycznego wprowadzenia. Następnie korzystając z bibliotek Pythona uczestnicy poznają modele i algorytmy interpretowalne bezpośrednio. Uczestnicy dowiedzą się jak stworzyć klasyfikatory, które dostarczają możliwe do zweryfikowania wyjaśnienia, gdzie i w jaki sposób systemy sztucznej inteligencji podejmują decyzje, zachowają wysoki poziom wydajności uczenia się wraz z możliwością wyjaśnienia wygenerowanych danych. Na szkoleniu przedstawimy jak zbudować przejrzyste/transparentne modele, często na bazie wiedzy wydobytej z modeli złożonych często określanych jako czarne skrzynki. W końcowej części szkolenia zostaną zaprezentowane metody wykorzystywane do interpretacji modeli w sieciach typu Deep learning.

    Dla kogo jest to szkolenie?

    Szkolenie przeznaczone jest dla osób, które chcą poznać narzędzia ułatwiające interpretację modeli machine learning. Wykorzystując zdobytą wiedzę w praktyce będziesz potrafił zrozumieć dowolny model.

    Czego się nauczę?

    Po ukończeniu szkolenia:

    • Nauczysz się klasyfikować metody wykorzystywane do interpretacji modeli ML
    • Dowiesz się co dają nam metody interpretacji modeli
    • Poznasz skalę interpretowalności modeli
    • Zobaczysz w jaki sposób ocenić wpływ zmiennych w ujęciu globalnym i lokalnym
    • Nauczysz się interpretować modele w sieciach typu Deep learning
    • Poznasz modele i algorytmy interpretowalne bezpośrednio
    • Definicja interpretowalności i wyjaśnialności modeli ML
    • Motywacja i wyzwania
      • Wymóg interpretowalności wyników modelu – What?
      • Implikacje decyzji podejmowanych za pomocą modeli – Why?
      • Społeczny wymiar i postulaty ML
      • Regulacje
      • FAT ML – Fairness, Accountability and Transparence in ML
    • Klasyfikacja metod wykorzystywanych do interpretacji modeli ML
      • Pre-model vs In-Model vs Post-Model
      • Intrinsic vs Post Hoc
      • Model-Specific vs Model Agnostic
    • Wyniki metod interpretacji – Co dają nam metody interpretacji modeli
      • Feature summary – statystyki opisowe dla zmiennych
      • Model Internals – wewnętrzna interpretacja modeli
      • Data Point – Wyjaśnienie przez poszczególne obserwacje
      • Surrogate – interpretacja przez dodatkowe wyjaśnialne modele
    • Skala interpretowalności modeli
      • Transparentnośc algorytmu – jak się uczy algorytm?
      • Globalna interpretowalność modelu
      • Lokalna interpretowalność modelu
    • Przegląd interpretowalnych modeli i metody interpretacji
      • Interpretowalne modele – liniowość, monotoniczność, interakcja
      • Metody specyficzne dla wybranych modeli
      • Metody agnostyczne na poziomie modeli
    • Ewaluacja interpretowalności
      • Kryteria wyjaśnialności modelu
      • Jakościowe indykatory interpretowalności
      • Ilościowe indykatory interpretowalności
    • Modele regresyjne – liniowe, logistyczne, GLM, GAM
    • Algorytmy Drzew Decyzyjnych – drzewa, reguły, Rulefit
    • K-NN
    • Naive Bayes
    • Zalety i wady algorytmów interpretowalnych
    • Mean decrease Impurity – tree based model
    • Permutation importance/Mean decrease accuracy – any model
    • Feature contributions – eli5, treeinterpreter
    • Joint Feature Contributions – only tree based algorithms
    • Feature Interaction – Friedman H-statistic
    • Break down plots
    • What-if plots
    • Partial Dependence Plot
    • Accumulated Local Effects
    • Omówienie metody budowy wykresów
    • Przykład zastosowania
    • Zalety i ograniczenia
    • Individual Conditional Expectation
    • Omówienie metody budowy wykresu
    • Przykład zastosowania
    • Zalety i ograniczenia
    • LIME
    • Anchors
    • LOCO
    • Treeinterpreter
    • Shapley values
    • TreeSHAP
    • Omówienie metod i konstrukcji interpretacji
    • Przykłady zastosowania
    • Zalety i ograniczenia
    • Counterfactual Instances
    • Counterfactual Instances Guided by Prototypes
    • Contrastive explanation method – Foil trees
    • Omówienie metod i konstrukcji interpretacji
    • Przykłady zastosowania
    • Zalety i ograniczenia
    • Gradient based attribution:
      • Feature Visualization
      • Integrated gradients
      • Saliency Maps
      • DeepLift
    • Perturbation based attribution
      • Occlusion
      • Shapley value sampling
    • Concept Activation Vectors
    • Omówienie metod i konstrukcji interpretacji
    • Przykłady zastosowania
    • Zalety i ograniczenia