آموزش هوش مصنوعی توضیح پذیر XAI در پایتون + پروژه عملی

آموزش هوش مصنوعی توضیح پذیر XAI در پایتون + پروژه عملی

در این آموزش با مفاهیم، روش ها و ابزارهای هوش مصنوعی توضیح پذیر (XAI) آشنا خواهیم شد و یاد می گیریم چگونه تصمیم های مدل های یادگیری ماشین را تحلیل و تفسیر کنیم.

تریلر دوره

توضیحات کامل دوره

در این فرادرس چه چیزی یاد می‌گیریم؟ این آموزش با اتخاذ رویکردی کاملا پروژه‌محور و گام‌به‌گام، همراه با پشتوانه نظری قوی، طراحی شده است تا مخاطب را در یک مسیر یادگیری هدفمند از م...

در این فرادرس چه چیزی یاد می‌گیریم؟

این آموزش با اتخاذ رویکردی کاملا پروژه‌محور و گام‌به‌گام، همراه با پشتوانه نظری قوی، طراحی شده است تا مخاطب را در یک مسیر یادگیری هدفمند از مفاهیم پایه تا پیاده‌سازی پیشرفته‌ترین الگوریتم‌های XAI هدایت کند. تمایز اصلی و بارز این دوره، جامعیت سرفصل‌ها، تاکید بر جنبه‌های عملی و کدنویسی و پوشش هم‌زمان مدل‌ها است.

مسیر آموزشی با تبیین مفاهیم بنیادین و چالش‌های فلسفی و فنی هوش مصنوعی جعبه‌سیاه آغاز می‌شود. در ادامه، با مطالعه مدل‌های ذاتا تفسیرپذیر مانند رگرسیون خطی، پایه‌های تحلیلی و ریاضیاتی لازم در ذهن مخاطب شکل می‌گیرد. سپس، وارد مبحث روش‌های پس‌حکایتی مدل‌مستقل می‌شویم. در این بخش، مخاطب با صفر تا صد دو الگوریتم پرکاربرد و پیشرو یعنی LIME و SHAP آشنا شده و نه تنها به درک عمیقی از تئوری ارزش شپلی (Shapley Value) و فلسفه محلی‌سازی دست می‌یابد، بلکه نحوه پیاده‌سازی و تفسیر خروجی‌های بصری آن‌ها را به‌طور عملی فرا می‌گیرد.

وجه تمایز کلیدی این آموزش، ارائه یک پروژه عملی یکپارچه در انتهای مسیر است که در آن، یک مسئله واقعی، از مرحله پیش‌پردازش داده و ساخت مدل پایه تا پیاده‌سازی هم‌زمان روش‌های محلی (LIME و SHAP)، سراسری (PDP و ICE) و توضیحات خلاف‌واقع (Counterfactuals) با کتابخانه DiCE، به‌طور کامل پیاده‌سازی می‌شود. تمامی مطالب با استفاده از کتابخانه‌های به‌روز پایتون پیاده‌سازی می‌شوند تا مخاطب پس از اتمام دوره، توانایی کار بر روی پروژه‌های صنعتی و پژوهشی را داشته باشد.

هوش مصنوعی توضیح‌پذیر (XAI) چیست؟

هوش مصنوعی توضیح‌پذیر به عنوان یکی از زیرشاخه‌های نوین و راهبردی علم داده، مجموعه‌ای از روش‌ها، الگوریتم‌ها و ابزارها است که با هدف شفاف‌سازی نحوه تصمیم‌گیری مدل‌های هوش مصنوعی توسعه یافته‌اند. بسیاری از مدل‌های پیشرفته، به‌ویژه مدل‌های یادگیری عمیق و مدل‌های زبانی بزرگ، به دلیل پیچیدگی زیاد به «جعبه سیاه» شباهت دارند و دلیل تولید یک پیش‌بینی یا تصمیم مشخص را به‌ راحتی نمی‌توان درک کرد. XAI با ارائه توضیحاتی درباره نقش ویژگی‌های ورودی، میزان تاثیر آن‌ها بر خروجی و نحوه استدلال مدل، امکان تحلیل، اعتماد و ارزیابی بهتر این سامانه‌ها را فراهم می‌کند.

اهمیت یادگیری هوش مصنوعی توضیح‌پذیر (XAI) چیست؟

اهمیت و ضرورت فراگیری XAI را می‌توان در پنج محور اساسی و راهبردی دسته‌بندی نمود که هر یک به تنهایی، توجیه‌گر سرمایه‌گذاری زمان و انرژی بر روی این حوزه است:

  1. افزایش اعتماد کاربران، مدیران و متخصصان به تصمیم‌های مدل‌های هوش مصنوعی.
  2. شناسایی و کاهش سوگیری‌ها (Bias) و توسعه سامانه‌های هوش مصنوعی مسئولانه.
  3. انطباق با الزامات قانونی و استانداردهای مرتبط با شفافیت و پاسخ‌گویی مدل‌ها.
  4. بهبود فرایند عیب‌یابی، مهندسی ویژگی و افزایش کیفیت مدل‌های یادگیری ماشین.
  5. ارتقای مهارت‌های تخصصی موردنیاز بازار کار و آمادگی برای توسعه سامانه‌های هوشمند قابل اعتماد در پروژه‌های صنعتی و پژوهشی.
  • فصل یکم: مبانی، مفاهیم و چالش‌های نوین XAI
    • درس ۱: هوش مصنوعی؛ از جعبه سیاه تا نیاز به شفافیت
    • درس ۲: XAI، تفسیرپذیری و کشف سوگیری (Bias)
    • درس ۳: دسته‌بندی جامع روش‌های XAI
    • درس ۴: چالش شفافیت در یادگیری عمیق و مدل‌های زبانی بزرگ (Llms)
  • فصل دوم: مدل‌های تفسیرپذیر ذاتی (Intrinsic models) 
    • درس ۵: رگرسیون‌های خطی و لجستیک
    • درس ۶: درخت تصمیم و استخراج قوانین
    • درس ۷: جنگل تصادفی و اهمیت ویژگی‌ها
    • درس ۸: الگوریتم‌های Boosting و تفسیرپذیری
    • درس ۹: موازنه دقت و تفسیرپذیری (Trade-Off)
  • فصل سوم: روش‌های پس‌حکایتی مدل‌مستقل (Post-Hoc Methods) 
    • درس ۱۰: LIME، فلسفه و ریاضیات پشت پرده
    • درس ۱۱: SHAP و تئوری ارزش شپلی
    • درس ۱۲: زبان بصری SHAP و تفسیر خروجی‌ها
    • درس ۱۳: روش‌های سراسری (PDP و ICE)
    • درس ۱۴: توضیحات خلاف‌واقع (Counterfactual Explanations)
    • درس ۱۵: ارزیابی کیفیت و اعتبار توضیحات
  • فصل چهارم: ابزارها و کتابخانه‌های XAI در پایتون 
    • درس ۱۶: آشنایی با کتابخانه‌های SHAP ،LIME ،Dice ،Captum و Interpretml
    • درس ۱۷: انتخاب ابزار مناسب برای مسائل مختلف یادگیری ماشین و یادگیری عمیق
  • فصل پنجم: پروژه عملی جامع XAI در پایتون 
    • درس ۱۸: آماده‌سازی داده و ساخت مدل پایه
    • درس ۱۹: پیاده‌سازی روش ‌LIME
    • درس ۲۰: پیاده‌سازی روش‌ SHAP
    • درس ۲۱: پیاده‌سازی روش‌های سراسری (PDP و ICE)
    • درس ۲۲: پیاده‌سازی Counterfactuals با Dice
    • درس ۲۳: اجرای Counterfactuals با Dice
    • درس ۲۴: تحلیل، ارزیابی و مقایسه نتایج توضیح‌پذیری
  • فصل ششم: XAI برای یادگیری عمیق
    • درس ۲۵: مقدمه‌ای بر توضیح‌پذیری شبکه‌های عصبی
    • درس ۲۶: آشنایی با Grad-CAM و Saliency Maps
  • فصل هفتم: راهنمایی ادامه مسیر
    • درس ۲۷: جمع‌بندی و نتیجه مباحث
    • درس ۲۸: ادامه یادگیری

سرفصل‌های دوره

  • چکیده
    0:01:15

  • هوش مصنوعی؛ از جعبه سیاه تا نیاز به شفافیت
    رایگان 0:09:54
  • XAI، تفسیرپذیری و کشف سوگیری (Bias)
    0:12:08
  • دسته‌بندی جامع روش‌های XAI
    0:09:32
  • چالش شفافیت در یادگیری عمیق و مدل‌های زبانی بزرگ (Llms)
    0:08:36

  • رگرسیون‌های خطی و لجستیک
    رایگان 0:11:13
  • درخت تصمیم و استخراج قوانین
    0:10:31
  • جنگل تصادفی و اهمیت ویژگی‌ها
    رایگان 0:12:37
  • الگوریتم‌های Boosting و تفسیرپذیری
    0:07:38
  • موازنه دقت و تفسیرپذیری (Trade-Off)
    0:06:29

  • LIME، فلسفه و ریاضیات پشت پرده
    0:15:34
  • SHAP و تئوری ارزش شپلی
    رایگان 0:11:57
  • زبان بصری SHAP و تفسیر خروجی‌ها
    0:18:33
  • روش‌های سراسری (PDP و ICE)
    0:19:25
  • توضیحات خلاف‌واقع (Counterfactual Explanations)
    0:14:03
  • ارزیابی کیفیت و اعتبار توضیحات
    0:12:04

  • آشنایی با کتابخانه‌های SHAP ،LIME ،Dice ،Captum و Interpretml
    0:12:46
  • انتخاب ابزار مناسب برای مسائل مختلف یادگیری ماشین و یادگیری عمیق
    رایگان 0:05:11

  • آماده‌سازی داده و ساخت مدل پایه
    0:17:48
  • پیاده‌سازی روش ‌LIME
    0:11:28
  • پیاده‌سازی روش‌ SHAP
    0:18:32
  • پیاده‌سازی روش‌های سراسری (PDP و ICE)
    0:09:50
  • پیاده‌سازی Counterfactuals با Dice
    0:10:26
  • اجرای Counterfactuals با Dice
    0:12:51
  • تحلیل، ارزیابی و مقایسه نتایج توضیح‌پذیری
    0:09:46

  • مقدمه‌ای بر توضیح‌پذیری شبکه‌های عصبی
    رایگان 0:13:21
  • آشنایی با Grad-CAM و Saliency Maps
    0:13:14

  • جمع‌بندی و نتیجه مباحث
    0:02:05
  • ادامه یادگیری
    0:05:07
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,790,000 تومان
558,000 تومان
80% تخفیف

این دوره شامل:
8 فصل آموزشی
5:23:54 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:18:57
تعداد امتیازها: 0
تعداد دانشجو: 4
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: