×
ribbon

آموزش XAI و کاربردهایش

این دوره آموزشی درباره هوش مصنوعی قابل‌ توضیح (XAI) است. شما در این دوره یاد می‌گیرید: XAI چیست؟ مفهوم XAI را یاد می‌گیرید و می‌فهمید چرا این موضوع مهم است. چرا به XAI نیاز داریم؟ ... بیشتر

گواهی‌نامه
56دانشجو
مقدماتی

سمانه سرفرازی

محتوای دوره
پیش‌نیاز‌ها
درباره دوره
درباره استاد

آنچه در این دوره می‌آموزید

استفاده از روش‌های بصری‌سازی در توضیح‌پذیری

شفاف‌سازی نحوه تصمیم‌گیری مدل‌های یادگیری ماشین

درک فرآیند پردازش اطلاعات در مدل‌ها

تحلیل نتایج و خروجی‌های مدل‌های هوش مصنوعی

مقایسه روش‌های مختلف بصری‌سازی

تحلیل داده‌های ورودی و خروجی مدل

محتوای دوره

3 فصل6 جلسه1:06 ساعت ویدیو
مقدمه‌ای بر XAI و روش‌ها و ابزارهای توضیح‌پذیری در XAI
  مقدمه‌ای بر XAI
مشاهده
"12:34
  روش‌ها و ابزارهای توضیح‌پذیری در XAI
"15:13
کاربردها و اهمیت هوش مصنوعی توضیح‌پذیر و چالش‌ها و محدودیت‌های XAI
آینده و روندهای پیشرفت XAI و چالش‌ها و محدودیت‌های اصلی در حوزه XAI

پیش‌نیاز‌ها

دوره XAI (توضیح‌پذیری هوش مصنوعی) به بررسی روش‌هایی می‌پردازد که می‌توانند به انسان‌ها کمک کنند تا رفتار مدل‌های هوش مصنوعی را بهتر درک کنند. پیش‌نیاز این دوره شامل آشنایی با مباحث پایه‌ای هوش مصنوعی و یادگیری ماشین است. مفاهیم مانند مدل‌های طبقه‌بندی، رگرسیون، و ارزیابی مدل‌ها (دقت، صحت) ضروری هستند. همچنین، دانش پایه‌ای در مورد الگوریتم‌های ML و شبکه‌های عصبی برای درک نحوه عملکرد مدل‌ها و چالش‌های موجود در توضیح آن‌ها لازم است.

درباره دوره

این دوره آموزشی درباره هوش مصنوعی قابل‌ توضیح (XAI) است. شما در این دوره یاد می‌گیرید: XAI چیست؟

مفهوم XAI را یاد می‌گیرید و می‌فهمید چرا این موضوع مهم است. چرا به XAI نیاز داریم؟

دلایل اهمیت XAI در زندگی روزمره، مثل ایجاد اعتماد به سیستم‌های هوش مصنوعی. کاربردهای XAI در دنیا: بررسی مثال‌های واقعی از XAI در حوزه‌هایی مثل پزشکی، مالی، رباتیک و... چگونه XAI کار می‌کند؟

یاد می‌گیرید که چطور هوش مصنوعی تصمیمات خود را توضیح می‌دهد و این توضیحات چگونه قابل فهم می‌شوند. ابزارها و روش‌های XAI، آشنایی با ابزارها و تکنیک‌هایی که برای ایجاد XAI استفاده می‌شوند.
پیاده‌سازی پروژه‌های ساده: یاد می‌گیرید چطور XAI را در پروژه‌های کوچک استفاده کنید و تصمیمات هوش مصنوعی را توضیح دهید.

XAI چیست؟ 

XAI مخفف "هوش مصنوعی قابل‌توضیح" است. یعنی هوش مصنوعی که بتواند تصمیمات خود را توضیح دهد، مثل وقتی که یک معلم توضیح می‌دهد چرا یک جواب درست است. 

چرا XAI مهم است؟

اعتماد: وقتی می‌دانیم چرا هوش مصنوعی یک تصمیم گرفته، بیشتر به آن اعتماد می‌کنیم. 
آموزش: می‌توانیم از هوش مصنوعی یاد بگیریم چون می‌گوید چطور فکر کرده است. رفع خطا: اگر اشتباه کند، می‌توانیم دلیل اشتباهش را بفهمیم و درستش کنیم.

کاربردهای XAI:

پزشکی: اگر هوش مصنوعی بگوید این عکس ریه نشان‌دهنده بیماری است، باید دلیلش را هم بگوید. 
مالی: اگر بانک برای کسی وام ندهد، باید توضیح دهد چرا. ربات‌ها: وقتی یک ربات تصمیمی می‌گیرد، مثلاً چرا از این مسیر حرکت کرده، باید بگوید.

چطور XAI کار می‌کند؟

توضیحات قابل‌فهم: به زبان ساده می‌گوید چه شد که به این نتیجه رسید. 
تصویرسازی: با نمودار یا شکل نشان می‌دهد کدام قسمت داده‌ها مهم‌تر بوده‌اند. تحلیل الگوها: می‌گوید الگویی که تشخیص داده چه بوده است.
چرا جذاب است؟
XAI مثل این است که به هوش مصنوعی قدرت صحبت کردن بدهیم تا فکرهای خودش را برای ما بازگو کند. این به ما کمک می‌کند تا هوش مصنوعی را مثل یک دوست بفهمیم و به آن اعتماد کنیم.

اطلاعات بیشتر

گواهی‌نامه

آموزش XAI و کاربردهایش

پس از گذراندن محتوای دوره به صورت آنلاین (بدون دانلود) در سایت مکتب‌خونه، در صورتی‌ که حد نصاب قبولی در دوره را کسب و تمرین ها و پروژه های الزامی را ارسال کنید، گواهی‌نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

قابل اشتراک‌گذاری در

linkdin

دوره‌های پیشنهادی مشابه

درباره استاد

سمانه سرفرازی
1دوره
56دانشجو

سمانه سرفرازی، دانش‌آموخته کارشناسی ارشد مهندسی کامپیوتر (دانشگاه مدیترانه شرقی) و دارای تخصص در حوزه یادگیری ماشین و هوش مصنوعی است.

ایشان به مدت ۳ سال در دانشگاه مدیترانه شرقی به‌عنوان دستیار تحقیق و تدریس فعالیت داشته و همچنین سابقه تدریس هوش مصنوعی و پایتون در آکادمی Iranian Cyber Code و تدریس ریاضیات در کالج الکوثر استرالیا را در کارنامه دارد. هم‌اکنون به‌عنوان پژوهشگر و مدرس در حوزه یادگیری عمیق، پردازش زبان طبیعی و بینایی کامپیوتر فعالیت می‌کند.

از سوابق پژوهشی ایشان می‌توان به انتشار مقالاتی در زمینه پردازش تصویر و یادگیری عمیق، از جمله مقاله «طبقه‌بندی بیماری برگ سیب‌زمینی با استفاده از ترکیب فضاهای رنگی مختلف» در ژورنال Springer اشاره کرد. مهارت‌های فنی ایشان شامل برنامه‌نویسی در زبان‌های Python، SQL و C، کار با کتابخانه‌های هوش مصنوعی مانند TensorFlow، Keras و Scikit-Learn و تخصص در زمینه بهینه‌سازی مدل‌های یادگیری ماشین و پردازش تصویر می‌باشد.

وی به زبان‌های فارسی (زبان مادری) و انگلیسی  مسلط است.

اطلاعات بیشتر

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.

v4