کتاب صوتی طراحی و توسعه موتورهای تصمیم‌گیری هوشمند با هوش مصنوعی قابل تفسیر (XAI)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و توسعه موتورهای تصمیم‌گیری هوشمند با هوش مصنوعی قابل تفسیر (XAI)

موضوع کلی: هوش مصنوعی و علوم داده

موضوع میانی: هوش مصنوعی قابل تفسیر و سیستم‌های تصمیم‌یار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر موتورهای تصمیم‌گیری و ضرورت تفسیرپذیری در هوش مصنوعی
• 2. مفهوم جعبه سیاه (Black Box) در مدلهای یادگیری ماشین و مخاطرات آن
• 3. تفاوت بین شفافیت (Interpreting) و تفسیرپذیری (Explainability) در تصمیم‌گیری
• 4. انواع روش‌های تفسیرپذیری: محلی (Local) در برابر سراسری (Global)
• 5. مدل‌های ذاتاً قابل تفسیر: درخت‌های تصمیم، مدل‌های خطی و قوانین تصمیم
• 6. تکنیک LIME برای تفسیر محلی پیش‌بینی‌های مدل‌های پیچیده
• 7. تکنیک SHAP و مقادیر Shapley برای ارزیابی سهم ویژگی‌ها در تصمیم‌گیری
• 8. طراحی و پیاده‌سازی متدولوژی Surrogate Models (مدل‌های جایگزین)
• 9. تفسیر مدلهای مبتنی بر یادگیری عمیق با تکنیک‌های Grad-CAM و Integrated Gradients
• 10. طراحی موتورهای تصمیم‌گیری بر پایه منطق و قوانین (Rule-Based Decision Engines)
• 11. تلفیق موتورهای قوانین با الگوریتم‌های یادگیری ماشین جهت افزایش شفافیت
• 12. تفسیرپذیری در سیستم‌های تصمیم‌گیری مالی، اعتبارپذیری و پزشکی
• 13. تفسیرپذیری متقابل (Counterfactual Explanations) و سناریوهای "چه می‌شد اگر"
• 14. شناسایی و کاهش تعصبات سیستماتیک (Bias Mitigation) در موتور تصمیم‌گیری
• 15. ارزیابی عدالت و انصاف (Fairness) در خروجی‌های هوش مصنوعی قابل تفسیر
• 16. ارزیابی نرخ اعتماد کاربران و خطاهای انسانی در تعامل با سیستم‌های XAI
• 17. طراحی رابط کاربری (UI/UX) برای ارائه توضیحات هوش مصنوعی به ذینفعان
• 18. معماری سیستم‌های تصمیم‌گیری قابل تفسیر در مقیاس سازمانی
• 19. یکپارچه‌سازی متدولوژی‌های XAI در خط لوله MLOps و پایش مدل‌ها
• 20. ملاحظات حقوقی، اخلاقی و استانداردهای انطباق (Compliance) در هوش مصنوعی
• 21. پروژه جامع: پیاده‌سازی کامل یک موتور تصمیم‌گیری قابل تفسیر برای ارزیابی ریسک