Online cursus – Gecertificeerde professionele stage in Google’s uitlegbare AI (XAI), Duke University

Bouw ethische en transparante AI-systemen. Verwerf vaardigheden in verklarende en open ethische kunstmatige intelligentietechnieken om betrouwbare en transparante machine learning-oplossingen te creëren.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

starten

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Ontwikkeling van transparante en betrouwbare AI-systemen
  • Diep begrip van verklarende AI (XAI)-concepten
  • Mogelijkheid om interpreteerbare machine learning toe te passen
  • Geavanceerde verklaringstechnieken gebruiken voor grote taalmodellen (LLM’s)
  • Werken met een generatief computerbeeld
  • Een onderzoek naar ethische overwegingen en vooroordelen in modellen
  • Uitvoeren van Python labactiviteiten met verschillende modellen
  • Implementatie van lokale annotaties met behulp van LIME, SHAP en Anchors
  • Het creëren van transparante en ethische AI-oplossingen voor echte uitdagingen

What you will learn in the course

Courses for which the course is suitable

  • AI-professionals
  • data wetenschappers
  • Machine learning-ingenieurs
  • productmanagers
  • Ontwikkelaars op het gebied van kunstmatige intelligentie
  • data wetenschappers
  • Ethische experts op het gebied van kunstmatige intelligentie
  • data-analisten
  • Adviseurs op het gebied van kunstmatige intelligentie
  • Projectmanagers op het gebied van geavanceerde technologieën

Specialisatie in kunstmatige intelligentie voor uitleg (XAI)

In een tijdperk waarin kunstmatige intelligentie (AI) gevoelige terreinen zoals gezondheidszorg, financiën en strafrecht snel transformeert, is het vermogen om AI-systemen te ontwikkelen die niet alleen accuraat, maar ook transparant en betrouwbaar zijn, van cruciaal belang. De stage is bedoeld om AI-professionals, datawetenschappers, machine learning-ingenieurs en productmanagers de kennis en vaardigheden te bieden die nodig zijn om AI-oplossingen te creëren die voldoen aan de hoogste normen van ethiek en verantwoordelijkheid.

Cursus instructeur

De cursussen worden gegeven door Dr. Brina Bennett, een expert in het overbruggen van de kloof tussen onderzoek en de industrie op het gebied van machinaal leren.

belangrijkste kwesties

  • Verklaarbare AI-concepten (XAI)
  • Interpreteerbaar machinaal leren
  • Geavanceerde uitlegtechnieken voor grote taalmodellen (LLM’s)
  • Generatieve computerbeeldvorming

Een praktisch leerproject

De stage biedt praktijkgerichte projecten die het begrip van XAI en interpreteerbare machine learning verdiepen.

Cursus projecten

  • Cursus 1: Onderzoek naar ethische overwegingen en vooroordelen door middel van morele machinereflecties, casestudies en casestudies.
  • Cursus 2: Python-labactiviteiten met Jupyter-notebooks die zich richten op het implementeren van modellen zoals GLM’s, GAM’s, beslissingsbomen en RuleFit.
  • Cursus 3: Geavanceerde labs die zich richten op lokale uitleg met behulp van LIME, SHAP en Anchors.

De projecten die in deze specialisatie worden aangeboden, bereiden leerlingen voor op het creëren van transparante en ethische AI-oplossingen voor echte uitdagingen.

Details of the courses that make up the specialization

Het ontwikkelen van verklaarbare intuïtie (XAI)

Cursus 1 – 8 uur

Wat je gaat leren:

  • Bepaal de belangrijkste termen van verklaarbare intuïtie en hun verbanden
  • Beschrijf gemeenschappelijke verklaarbare en redelijke benaderingen en afwegingen
  • Overwegingen maken voor de ontwikkeling van XAI-systemen, inclusief de XAI-evaluatiemethode, robuustheid, privacy en integratie met besluitvorming

De vaardigheden die je zult verwerven:

  • XAI
  • machinaal leren
  • Verklaarbare intuïtie (XAI)
  • kunstmatige intelligentie
  • Machine learning is verklaarbaar

Cursus 2 – 13 uur

Wat je gaat leren:

  • Regressiemodellen en algemene verklaringsmodellen beschrijven en toepassen
  • Het model heeft kennis van beslisbomen, regels en verklaarbare neurale netwerken
  • Basisconcepten van mechanistische interpreteerbaarheid, hypothesen en experimenten uitleggen

De vaardigheden die je zult verwerven:

  • machinaal leren
  • AI heeft de leiding
  • kunstmatige intelligentie
  • Mechanistische interoperabiliteit
  • Machine learning is verklaarbaar

Cursus 3 – 14 uur

Wat je gaat leren:

  • Verklarende methoden die niet afhankelijk zijn van het model, uitleggen en toepassen
  • Illustratie en uitleg van neurale netwerkmodellen met behulp van SOTA-technieken
  • Beschrijf opkomende benaderingen van verklaring in grote taalmodellen (LLM’s) en generatieve computervisie