Interpretability of Machine Learning Models

امروزه هوش مصنوعی با زندگی روزمره ما درهم آمیخته شده است و تصمیمات مهمی توسط مدل های یادگیری ماشین گرفته می شود که می تواند بر زندگی ما بسیار تاثیرگذار باشد. منتقدین اعتقاد دارند که یادگیری ماشین مدل هایی را تولید می کند که اصطلاحا Black Box و یا جعبه ی سیاه هستند. این بدین معناست که این سیستم ها خروجی های ارزشمندی دارند که برای انسان قابل فهم و یا توضیح نیست.

البته این یک باور نادرست است و یادگیری ماشین می تواند ترجمه پذیر باشد و این یعنی ما می توانیم مدل های قابل فهم و قابل سنجش بسازیم و این دلیلی ست که می توانیم از هوش مصنوعی حتی در محیط های پر ریسک در زمینه هایی مثل پزشکی و یا مالی استفاده کنیم. یادگیری ماشین ترجمه پذیر یا interpretable machine learning به روش ها و مدل هایی اشاره دارد که رفتار و پیش‌بینی سیستم های یادگیری ماشین را برای انسان قابل فهم می کنند. در این وبینار به طور کلی تکنیک های متداول ترجمه ی مدل های یادگیری ماشین را شرح خواهیم داد.

سرفصل‌های وبینار:

• Introduction
• Importance of interpretability
• Taxonomy of interpretability methods
• Interpretability versus explainability
• Evaluation of interpretability
• Interpretable models
• Model-agnostic methods: Local and Global
• Future of interpretability
• Conclusion

تاریخ و ساعت برگزاری:

تاریخ برگزاری وبینار شنبه ۷ خرداد ساعت ۲۱ الی ۲۲ است.