Struttura del corso

Introduzione a Deep Learning Spiegabilità

  • Cosa sono i modelli a scatola nera?
  • L'importanza della trasparenza nei sistemi di IA
  • Panoramica delle sfide di spiegabilità nelle reti neurali

Tecniche XAI avanzate per Deep Learning

  • Metodi indipendenti dal modello per il deep learning: LIME, SHAP
  • Propagazione della rilevanza a livello (LRP)
  • Mappe di salienza e metodi basati sul gradiente

Spiegare le decisioni relative alle reti neurali

  • Visualizzazione dei livelli nascosti nelle reti neurali
  • Comprendere i meccanismi di attenzione nei modelli di deep learning
  • Generazione di spiegazioni leggibili dall'uomo dalle reti neurali

Strumenti per spiegare i modelli Deep Learning

  • Introduzione alle librerie XAI open source
  • Utilizzo di Captum e InterpretML per il deep learning
  • Integrazione di tecniche di spiegabilità in TensorFlow e PyTorch

Interpretabilità vs. prestazioni

  • Compromessi tra accuratezza e interpretabilità
  • Progettazione di modelli di deep learning interpretabili ma performanti
  • Gestione dei pregiudizi e dell'equità nel deep learning

Applicazioni del mondo reale della spiegabilità Deep Learning

  • Spiegabilità nei modelli di intelligenza artificiale per il settore sanitario
  • Requisiti normativi per la trasparenza nell'IA
  • Distribuzione di modelli di deep learning interpretabili in produzione

Considerazioni etiche in Explainable Deep Learning

  • Implicazioni etiche della trasparenza dell'IA
  • Bilanciare le pratiche etiche di intelligenza artificiale con l'innovazione
  • Problemi di privacy nella spiegabilità del deep learning

Riepilogo e passaggi successivi

Requisiti

  • Comprensione avanzata del deep learning
  • Familiarità con Python e i framework di deep learning
  • Esperienza di lavoro con le reti neurali

Pubblico

  • Ingegneri del deep learning
  • Specialisti dell'intelligenza artificiale
 21 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (4)

Corsi in Arrivo

Categorie relative