Machine Learning Explainability
6 mei, 2024 – Amsterdam, The Netherlands
Deze eendaagse training helpt voorkomen dat je modellen een black box worden. Het biedt je een tool kit met Machine-Learning explainability technieken die je kunt gebruiken om je modellen uit te leggen aan zowel technische als niet-technische mensen. Je leert ook wanneer, hoe en waarom je de verschillende technieken moet gebruiken en wat hun nadelen zijn.
Wil je je team(s) of organisatie trainen?
Diego helpt je graag verder met trainingsoplossingen op maat.
Neem contact opDuur
1 day
Tijd
09:00 – 17:00
Taal
English
Lunch
Included
Certificering
No
Level
Professional
Wat leer je?
Na de training ben je in staat om:
De use cases voor modelverklaarbaarheid begrijpen (debug, bias detectie, recht op uitleg, etc.)
Begrijpen wanneer de verklaarbaarheid van een model niet voldoende is (correlatie vs. causaliteit, eerlijkheid)
Categoriseer de methoden in gevoeligheid versus impact en verklaar enkelvoudige voorspellingen (lokale verklaarbaarheid) versus meervoudige voorspellingen (globale verklaarbaarheid).
Pas de methoden toe met de meegeleverde pakketten
De innerlijke werking van alle methoden uitleggen De nadelen van elke methode bespreken
Evalueren of een methode geschikt is voor het zakelijk gebruik
Belangrijkste leerdoelen
- Uitsplitsingsschema’s voor additieve toewijzingen
- Gedeeltelijke-afhankelijkheidsplots
- Individuele voorwaardelijke verwachtingskrommen / Ceteris Paribus-panelen
- Permutatie Eigenschap belang
- Shapley- en SHAP-waarden
Programma
Deze eendaagse training behandelt de bovengenoemde technieken en leert je hoe je ze kunt implementeren met behulp van Scikit-Learn, Dalex en Shap.
- Inleiding tot Machine Learning interpreteerbaarheid/uitlegbaarheid
- Voorbeeldgerichte uitleg
- De inherente interpreteerbaarheid van ML-modellen
- Ceteris paribus-percelen
- Uitsplitsingsschema’s voor additieve toewijzingen
- (Modelspecifiek & Permutatie) Eigenschap belang
- Plots van gedeeltelijke afhankelijkheid
- Shapley- en SHAP-waarden
Voor wie is het?
Deze training is perfect voor iedereen die al werkt met Machine Learning-modellen en deze wil verbeteren en begrijpen om betere voorspellingen te kunnen doen.
Vereisten
Kennis van scikit-learn is vereist.
Om het meeste uit deze geavanceerde training te halen, is kennis nodig van pijplijnen, kolomtransformatoren, lineaire modellen en complexere modellen (bijv. random forests en gradient boosting) en de kernconcepten van Machine Learning.
Machine-learningmodellen worden toevertrouwd om datagestuurde besluitvorming uit te voeren. Deze modellen kunnen echter vaak een “black box” zijn, wat betekent dat de motivaties achter onze besluitvorming onbegrijpelijk kunnen zijn. In deze training leer je technieken om je model te interpreteren en de beslissing ervan uit te leggen aan zowel technische als niet-technische mensen.
Wat moet ik nog meer weten?
Nadat je je hebt ingeschreven voor deze training, ontvang je een bevestigingsmail met praktische informatie.
Tot ziens!
Vereisten
Reis- en verblijfkosten zijn niet inbegrepen
Alle literatuur en cursusmaterialen zijn bij de prijs inbegrepen.