Идеальный стартап

Forwarded from Data Blog

🐥 Как разобраться, что такое XAI? Какие модели можно назвать интерпретируемыми и почему? Как научиться считать SHAP и строить LIME, поняв, что там математически?

Привет, друзья!
А вот и первые ссылки! Я дописала бесплатную часть курса по explainable AI: Интерпретируемые модели!

Что в курсе:

— Полное описание области: зачем она, какие решает задачи и какие использует термины;
— Описания всех интерпретируемых ML моделей, а также то, как корректно их интерпретировать;
— Интерпретация ансамблей: Random Forest, XGBoost, LGBM и CatBoost — какие есть возможности и что с ней может быть не так;
— Код на Python для практики — открытые домашки;
— SHAP и LIME — самые популярные методы области — разобранные теоретически и практически.

Курс будет полезен:

Тем, кто только начинает изучать ML модели и имеет опыт работы с ними 1-2 года (или меньше);
Тем, кто хочет освежить знания классики и углубить работу с вкладами признаков;
Тем, кто читал 1000 статей по SHAP и LIME, но так ничего и не понял (бывает!).

Что внутри: Теория, практика, 101 тестовая задачка, 5 домашек с кодом и красивые картинки. В общем — я старалась и приглашаю присоединиться!

Новых вам знаний!
Ваш Дата-автор! ❤️

Stepik: online education

Интерпретируемые модели AI

В курсе изучаются концепции и определения области XAI. Приводится практическая ценность и мотивации данной области. За время прохождения, вы погрузитесь в терминологию и научитесь классифицировать методы объяснения, рассмотрите модели ML и научитесь корректно…

❤2

www.tgoop.com/startup_custdev/105

589 viewsJan 11 at 12:26

🐥 Как разобраться, что такое XAI? Какие модели можно назвать интерпретируемыми и почему? Как научиться считать SHAP и строить LIME, поняв, что там математически?

Привет, друзья!
А вот и первые ссылки! Я дописала бесплатную часть курса по explainable AI: Интерпретируемые модели!

Что в курсе:

— Полное описание области: зачем она, какие решает задачи и какие использует термины;
— Описания всех интерпретируемых ML моделей, а также то, как корректно их интерпретировать;
— Интерпретация ансамблей: Random Forest, XGBoost, LGBM и CatBoost — какие есть возможности и что с ней может быть не так;
— Код на Python для практики — открытые домашки;
— SHAP и LIME — самые популярные методы области — разобранные теоретически и практически.

Курс будет полезен:

Тем, кто только начинает изучать ML модели и имеет опыт работы с ними 1-2 года (или меньше);
Тем, кто хочет освежить знания классики и углубить работу с вкладами признаков;
Тем, кто читал 1000 статей по SHAP и LIME, но так ничего и не понял (бывает!).

Что внутри: Теория, практика, 101 тестовая задачка, 5 домашек с кодом и красивые картинки. В общем — я старалась и приглашаю присоединиться!

Новых вам знаний!
Ваш Дата-автор! ❤️

BY Идеальный стартап