اکسپرس 24
کتاب توضیح‌پذیری انطباقی (Adaptive XAI): حفظ شفافیت و عدالت در مدل‌های پویا

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

دوره آموزشی توضیح‌پذیری انطباقی (Adaptive XAI) دوره جامع: توضیح‌پذیری انطباقی (Adaptive XAI) حفظ شفافیت و عدالت در مدل‌های هوش مصنوعی پویا در دنیای پیچیده امروز، سیستم‌های تصمیم‌گیری مبتنی بر هوش مصنو...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 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

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

تگ‌ها: Adaptive XAI Concept Drift Credit scoring Dynamic Models Explainability Fairness Responsible AI XAI اعتبارسنجی تغییر مفهوم توضیح‌پذیری انطباقی شفافیت عدالت الگوریتمی مدل پویا هوش مصنوعی قابل توضیح هوش مصنوعی مسئولانه

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.