Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot geavanceerde XAI-technieken
- Herziening van de basismethoden van XAI
- Uitdagingen bij het interpreteren van complexe AI-modellen
- Trends in XAI-onderzoek en -ontwikkeling
Model-agnostische uitlegbaarheidstechnieken
- SHAP (SHapley Additieve uitleg)
- LIME (Lokale Interpreteerbare Model-agnostische Verklaringen)
- Anker uitleg
Modelspecifieke uitlegbaarheidstechnieken
- Laaggewijze relevantievermeerdering (LRP)
- DeepLIFT (Deep Learning Belangrijke kenmerken)
- Op gradiënten gebaseerde methoden (Grad-CAM, Integrated Gradients)
Uitleg geven Deep Learning Modellen
- Convolutionele neurale netwerken (CNN's) interpreteren
- Uitleg over terugkerende neurale netwerken (RNN's)
- Analyse van op transformatoren gebaseerde modellen (BERT, GPT)
Omgaan met uitdagingen op het gebied van interpreteerbaarheid
- Beperkingen van het black-box-model aanpakken
- Evenwicht tussen nauwkeurigheid en interpreteerbaarheid
- Omgaan met vooringenomenheid en eerlijkheid in uitleg
Toepassingen van XAI in real-world systemen
- XAI in de gezondheidszorg, financiën en rechtsstelsels
- AI-regelgeving en nalevingsvereisten
- Vertrouwen en verantwoordelijkheid opbouwen via XAI
Toekomstige trends in verklaarbare AI
- Opkomende technieken en tools in XAI
- Verklaarbaarheidsmodellen van de volgende generatie
- Kansen en uitdagingen op het gebied van AI-transparantie
Samenvatting en volgende stappen
Vereisten
- Solide kennis van AI en machine learning
- Ervaring met neurale netwerken en deep learning
- Bekendheid met de basis XAI-technieken
Audiëntie
- Ervaren AI-onderzoekers
- Ingenieurs voor machine learning
21 Uren
