اپلیکیشن اندرویدی فلش‌کارت آموزشی توضیح‌پذیری انطباقی (Adaptive XAI): حفظ شفافیت و عدالت در مدل‌های پویا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره توضیح‌پذیری انطباقی (Adaptive XAI): حفظ شفافیت و عدالت در مدل‌های پویا

موضوع کلی: هوش مصنوعی مسئولانه (Responsible AI)

موضوع میانی: هوش مصنوعی قابل توضیح (XAI) و عدالت الگوریتمی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی مسئولانه (Responsible AI)
• 2. اهمیت هوش مصنوعی قابل توضیح (XAI)
• 3. عدالت الگوریتمی: تعاریف و چالش‌ها
• 4. مفهوم تبعیض در الگوریتم‌ها
• 5. معرفی اعتبارسنجی اعتباری (Credit Scoring)
• 6. محدودیت‌های مدل‌های اعتبارسنجی سنتی
• 7. نیاز به شفافیت در مدل‌های اعتبارسنجی هوشمند
• 8. مروری بر روش‌های XAI کلاسیک
• 9. روش‌های مبتنی بر اهمیت ویژگی (Feature Importance)
• 10. روش‌های مبتنی بر نمونه (Instance-Based Explanations)
• 11. روش‌های مبتنی بر قانون (Rule-Based Explanations)
• 12. مقدمه‌ای بر مفهوم Concept Drift (تغییر مفهوم)
• 13. انواع Concept Drift و دلایل وقوع آن
• 14. تاثیر Concept Drift بر مدل‌های اعتبارسنجی
• 15. چالش‌های حفظ عدالت در شرایط Concept Drift
• 16. مقدمه‌ای بر مقاله "Fair and Explainable Credit-Scoring under Concept Drift"
• 17. مروری بر ساختار و اهداف مقاله
• 18. خلاصه‌ای از روش‌های پیشنهادی در مقاله
• 19. مفاهیم کلیدی مورد استفاده در مقاله
• 20. معرفی Datasetهای مورد استفاده در مقاله
• 21. پیش‌پردازش داده‌ها برای اعتبارسنجی اعتباری
• 22. مهندسی ویژگی (Feature Engineering) برای مدل‌های XAI
• 23. انتخاب ویژگی‌های مرتبط و موثر
• 24. ارزیابی کیفیت ویژگی‌ها
• 25. معرفی مدل‌های پایه (Baseline Models) برای اعتبارسنجی اعتباری
• 26. Logistic Regression: اصول و کاربردها
• 27. Decision Trees: مزایا و معایب
• 28. Support Vector Machines (SVM): یک مرور سریع
• 29. Gradient Boosting Machines (GBM): قدرت و انعطاف‌پذیری
• 30. شبکه‌های عصبی (Neural Networks): یک مقدمه
• 31. معیارهای ارزیابی عملکرد مدل‌های اعتبارسنجی
• 32. Accuracy, Precision, Recall, F1-Score
• 33. AUC-ROC: تفسیر و اهمیت
• 34. Calibration: اطمینان از خروجی‌های احتمالی
• 35. معیارهای ارزیابی عدالت الگوریتمی
• 36. Statistical Parity Difference
• 37. Equal Opportunity Difference
• 38. Predictive Parity Difference
• 39. Fairness Through Awareness
• 40. Fairness Through Unawareness
• 41. معیارهای ارزیابی توضیح‌پذیری مدل‌ها
• 42. Accuracy of Explanations
• 43. Faithfulness of Explanations
• 44. Comprehensibility of Explanations
• 45. روش‌های XAI پس از آموزش (Post-Hoc)
• 46. LIME (Local Interpretable Model-Agnostic Explanations)
• 47. SHAP (SHapley Additive exPlanations)
• 48. Anchor Explanations
• 49. Counterfactual Explanations
• 50. روش‌های XAI ذاتی (Intrinsic)
• 51. Generalized Additive Models (GAMs)
• 52. RuleFit
• 53. انتخاب روش XAI مناسب برای مدل‌های اعتبارسنجی
• 54. تطبیق روش‌های XAI با معیارهای عدالت
• 55. Adaptive Explanation Frameworks: مفهوم و ضرورت
• 56. مراحل ساخت یک Adaptive Explanation Framework
• 57. تشخیص Concept Drift: روش‌های آماری
• 58. Monitoring Error Rates
• 59. Monitoring Feature Distributions
• 60. Monitoring Model Stability
• 61. تشخیص Concept Drift: روش‌های مبتنی بر یادگیری ماشین
• 62. Drift Detection Methods (DDM)
• 63. Page-Hinkley Test
• 64. ECDD (Early Concept Drift Detection)
• 65. استراتژی‌های انطباق با Concept Drift
• 66. Re-training Models
• 67. Incremental Learning
• 68. Ensemble Methods for Concept Drift
• 69. وزن‌دهی به نمونه‌ها در شرایط Concept Drift
• 70. انتخاب ویژگی‌های جدید در شرایط Concept Drift
• 71. به‌روزرسانی قوانین تصمیم‌گیری در شرایط Concept Drift
• 72. ترکیب روش‌های تشخیص و انطباق با Concept Drift
• 73. ارزیابی Adaptive Explanation Frameworks
• 74. ارزیابی پایداری مدل در طول زمان
• 75. ارزیابی Fairness در طول زمان
• 76. ارزیابی Explainability در طول زمان
• 77. Visualizations برای ارزیابی Adaptive Explanation Frameworks
• 78. ابزارهای Open Source برای XAI و Fairness
• 79. AI Fairness 360
• 80. Explainable AI Toolkit (TensorFlow)
• 81. InterpretML
• 82. Case Study: پیاده‌سازی Adaptive XAI در یک Dataset اعتبارسنجی
• 83. Code Walkthrough: استفاده از LIME و SHAP
• 84. Code Walkthrough: پیاده‌سازی Drift Detection
• 85. Code Walkthrough: پیاده‌سازی Re-training استراتژی
• 86. Code Walkthrough: ارزیابی نتایج
• 87. بهینه‌سازی پارامترهای Adaptive Explanation Framework
• 88. تاثیر پارامترها بر Performance و Fairness
• 89. تاثیر پارامترها بر Explainability
• 90. استفاده از الگوریتم‌های بهینه‌سازی برای پارامترها
• 91. مقایسه Adaptive Explanation Frameworks مختلف
• 92. مزایا و معایب هر روش
• 93. انتخاب بهترین روش برای یک کاربرد خاص
• 94. چالش‌های پیاده‌سازی Adaptive XAI در دنیای واقعی
• 95. محدودیت‌های محاسباتی
• 96. محدودیت‌های داده‌ای
• 97. مقاومت سازمانی
• 98. اعتبارسنجی و ممیزی Adaptive XAI
• 99. اهمیت ممیزی دوره‌ای
• 100. روش‌های ممیزی Fairness و Explainability