دوره آموزشی
دوبله زبان فارسی
ورکشاپ کیفیت هوش مصنوعی: چگونه مدل های یادگیری ماشین را تست و اشکال زدایی کنیم؟
✅ سرفصل و جزئیات آموزش
توانایی خود برای هدایت عملکرد یادگیری ماشین را با تست یادگیری ماشین، تشخیص رانش، اشکال زدایی و به حداقل رساندن سوگیری هوش مصنوعی تقویت کنید.
آنچه یاد خواهید گرفت:
- ارزیابی سریع مدل های یادگیری ماشین برای عملکرد
- شناسایی و آدرس دهی رانش مدل
- اشکال زدایی مدل های یادگیری ماشین تولید
- شناسایی مشکلات احتمالی سوگیری یادگیری ماشین و رسیدگی به آن ها
توضیحات دوره:
- شما تحلیل هایی را که برای هدایت عملکرد مدل نیاز دارید، یاد خواهید گرفت.
- شما خواهید فهمید که چگونه یک مهار تست خودکار برای تست آسان تر و موثرتر ML ایجاد کنید.
- شما یاد خواهید گرفت که چرا توضیح پذیری هوش مصنوعی کلید درک مکانیزم های کلیدی مدل شما و اشکال زدایی سریع است.
- شما درک خواهید کرد که مقادیر Shapley چیست، چرا آنها بسیار مهم هستند و چگونه می توانید از آنها حداکثر استفاده را ببرید
- شما قادر خواهید بود انواع رانش هایی را که می توانند عملکرد مدل را از مسیر خارج کنند، شناسایی کنید.
- شما نحوه اشکال زدایی چالش های عملکرد مدل را یاد خواهید گرفت.
- شما می توانید درک کنید که چگونه عادلانه بودن مدل را ارزیابی کنید و تشخیص دهید که چه زمانی سوگیری رخ می دهد، و سپس به آن رسیدگی کنید.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده و مهندسان ML که به دنبال بهبود توانایی خود در تست، ارزیابی و اشکال زدایی مدل های یادگیری ماشین هستند.
ورکشاپ کیفیت هوش مصنوعی: چگونه مدل های یادگیری ماشین را تست و اشکال زدایی کنیم؟
-
خوش آمدید - آنچه از این دوره به دست خواهید آورد 01:43
-
چگونه دسترسی رایگان TruEra خود را در app.truera.net/signup تنظیم کنید؟ 01:16
-
چگونه از Google Colab برای TruEra استفاده کنیم؟ 01:40
-
آشنایی با تست یادگیری ماشین 07:56
-
اجرا و تفسیر تست ها 02:06
-
ایجاد تست های جدید 03:15
-
آشنایی با توضیح پذیری یادگیری ماشین 08:39
-
بررسی متدهای اهمیت ویژگی 08:05
-
مقادیر Shapely - تعریف کوئری 06:19
-
مقادیر Shapely - مقایسه خروجی های مدل 10:05
-
مقادیر Shapely - مدیریت تعامل های ویژگی 09:06
-
مقادیر Shapely - خلاصه سازی 10:51
-
بررسی - توضیحات مبتنی بر گرادیان برای بینایی کامپیوتر 08:12
-
طراحی - توضیحات مبتنی بر گرادیان برای بینایی کامپیوتر 10:16
-
ارزیابی - توضیحات مبتنی بر گرادیان برای بینایی کامپیوتر 10:08
-
یادگیری عملی - توضیح پذیری 00:20
-
آزمون - توضیح پذیری None
-
نمایش - تحلیل جهانی و محلی توضیح پذیری 02:54
-
آشنایی با رانش 05:44
-
منابع رانش - چرا رانش اتفاق می افتد؟ 04:37
-
آزمون رانش - 1 None
-
شناسایی رانش - معیارها 10:45
-
شناسایی رانش - چالش ها 03:53
-
چگونه رانش را کاهش دهیم؟ 05:16
-
یادگیری عملی - رانش 00:23
-
آزمون رانش - 2 None
-
نمایش - رفتن از خلاصه مدل به تحلیل رانش 03:02
-
آشنایی با اشکال زدایی عملکرد یادگیری ماشین 02:33
-
متدولوژی اشکال زدایی عملکرد یادگیری ماشین 05:46
-
معیارهای عملکرد یادگیری ماشین - طبقه بندی 12:06
-
معیارهای عملکرد یادگیری ماشین - رگرسیون 06:58
-
محدود کردن دامنه مسائل مربوط به عملکرد یادگیری ماشین 06:33
-
یادگیری عملی - اشکال زدایی عملکرد 00:19
-
آزمون - اشکال زدایی عملکرد None
-
نمایش - اشکال زدایی عملکرد 03:22
-
مقدمه ای بر سوگیری و انصاف در یادگیری ماشین 07:01
-
جهان بینی عدالت در یادگیری ماشین 06:34
-
چگونه یک معیار انصاف را انتخاب کنیم؟ 11:53
-
چگونه مدل یادگیری ماشین شما بی انصاف می شود؟ 08:11
-
نمایش - سوگیری و انصاف در یادگیری ماشین 03:21
-
یادگیری عملی - سوگیری و انصاف در یادگیری ماشین 00:20
-
آزمون - سوگیری و انصاف در یادگیری ماشین None
مشخصات آموزش
ورکشاپ کیفیت هوش مصنوعی: چگونه مدل های یادگیری ماشین را تست و اشکال زدایی کنیم؟
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:42
- مدت زمان :03:31:28
- حجم :2.83GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy