Verwaltungsinformationen
| Titel | Erklärbares maschinelles Lernen (XAI) |
| Dauer | 120 |
| Modulen | C |
| Unterrichtstyp | Praktisch |
| Fokussierung | Technisches – Zukunfts-KI |
| Themenbereich | Offene Probleme und Herausforderungen |
Suchbegriffe
Xai,Ante-hoc, Post-hoc,SHAP, LIME,
Lernziele
- Die Taxonomie der XAI-Techniken verstehen
- Die Vor- und Nachteile ausgewählter XAI-Ansätze verstehen
- Anwenden ausgewählter XAI-Techniken auf einen Datensatz
- Identifizieren Sie zukünftige Richtungen von XAI
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
Keine.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Keine.
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
Verwenden Sie das tabellarische Beispiel in den Notizen, indem Sie sowohl LIME als auch SHAP verwenden, um alle Attribute für vier andere falsch klassifizierte Instanzen zu untersuchen, um die Vorhersagen zu beschreiben. $ Verwendung von CNNS und den LIME- und SHAP-Erklärbarkeitsansätzen für vier andere falsch klassifizierte Instanzen, um die Vorhersagen zu beschreiben. $ Für ein textbasiertes Problem, identifizieren Sie vier andere falsch klassifizierte Instanzen, um die Vorhersagen zu beschreiben und warum sie möglicherweise falsch waren. $ Summieren Sie Ihre Bemühungen, bestimmen Sie, ob die Übungen alle fünf XAI-Perspektiven erfüllen, und erläutern Sie, ob sie dies tun.
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.