XAI con Shap

XAI con Shap

Il corso approfondisce l'interpretabilità e la spiegabilità in Machine Learning e Intelligenza Artificiale, con focus su metodi come LIME e SHAP.

XAI con Shap

Il corso approfondisce l'interpretabilità e la spiegabilità in Machine Learning e Intelligenza Artificiale, con focus su metodi come LIME e SHAP.
Panoramica

Il corso fornisce una panoramica completa su interpretabilità e spiegabilità nell’ambito del Machine Learning (ML) e dell’Intelligenza Artificiale (IA), concentrandosi su concetti chiave come la distinzione tra metodi locali e globali, modelli interpretabili, e metodi post-hoc. Attraverso una combinazione di lezioni teoriche e sessioni pratiche, il corso esplora strumenti avanzati come LIME e SHAP per spiegare le decisioni dei modelli ML, con applicazioni su testo, immagini e altri contesti.

Il corso fornisce una panoramica completa su interpretabilità e spiegabilità nell’ambito del Machine Learning (ML) e dell’Intelligenza Artificiale (IA), concentrandosi su concetti chiave come la distinzione tra metodi locali e globali, modelli interpretabili, e metodi post-hoc. Attraverso una combinazione di lezioni teoriche e sessioni pratiche, il corso esplora strumenti avanzati come LIME e SHAP per spiegare le decisioni dei modelli ML, con applicazioni su testo, immagini e altri contesti.

Cosa Imparerai nel corso?

Cosa Imparerai nel corso?

Nel corso imparerai a distinguere tra interpretabilità e spiegabilità in Machine Learning e Intelligenza Artificiale, acquisendo le competenze necessarie per applicare tecniche locali e globali di interpretazione dei modelli, come la regressione lineare e gli alberi decisionali. Avrai l’opportunità di utilizzare strumenti pratici come LIME e SHAP per spiegare modelli complessi, e approfondirai le basi legislative e le normative europee che regolano l’uso dell’IA. Infine, esplorerai come applicare tecniche avanzate di XAI per interpretare l’analisi di immagini e testo.

Nel corso imparerai a distinguere tra interpretabilità e spiegabilità in Machine Learning e Intelligenza Artificiale, acquisendo le competenze necessarie per applicare tecniche locali e globali di interpretazione dei modelli, come la regressione lineare e gli alberi decisionali. Avrai l’opportunità di utilizzare strumenti pratici come LIME e SHAP per spiegare modelli complessi, e approfondirai le basi legislative e le normative europee che regolano l’uso dell’IA. Infine, esplorerai come applicare tecniche avanzate di XAI per interpretare l’analisi di immagini e testo.

Struttura delle lezioni

Struttura delle lezioni

Le lezioni sono 100% online e saranno accompagnate da moduli e slides, oltre a molti esercizi interattivi che metteranno alla prova le tue abilità e ciò che hai appreso.

Le lezioni sono 100% online e saranno accompagnate da moduli e slides, oltre a molti esercizi interattivi che metteranno alla prova le tue abilità e ciò che hai appreso.

Chi può seguire il corso?

Chi può seguire il corso?

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Programma

Interpretabilità e spiegabilità in Machine Learning e IA

  • 01. Interpretabilità vs spiegabilità in ML ed in IA
  • 01.01. Interpretabilità vs spiegabilità in ML ed in IA (1)
  • 01.02. Interpretabilità vs spiegabilità in ML ed in IA (2)
  • 01.02. Quiz
  • 02. Introduzione e contesto legislativo
  • 02.01. Storia dell’IA
  • 02.02. La legislazione europea
  • 02.02. Quiz
  • 03. Introduzione alla tassonomia ed esempi di XAI
  • 03.01. Metodi Locali Vs globali Introduzione alla Tassonomia
  • 03.02. Metodi Locali e Globali
  • 03.03. Modelli Interpretabili Regressione Lineare
  • 03.04. Modelli Interpretabili Albero Decisionale
  • 03.05. Metodi Post Hoc
  • 03.05. Quiz
  • 04. Letteratura XAI e ambiti di applicazione
  • 04.01. Letteratura XAI e ambiti di applicazione (1)
  • 04.02. Letteratura XAI e ambiti di applicazione (2)
  • 04.02. Quiz
  • 05. Introduzione alle librerie
  • 05.01. Introduzione alle librerie – prima parte
  • 05.02. Introduzione alle librerie – seconda parte
  • 05.03. Introduzione alle librerie – terza parte
  • 05.04. Introduzione alle librerie – quarta parte
  • 05.04. Quiz
  • 06. LIME
  • 06.01. Introduzione a LIME
  • 06.02. LIME nel dettaglio
  • 06.03. Esempio pratico con LIME
  • 06.03. Quiz
  • 07. SHAP
  • 07.01. SHAP – Introduzione
  • 07.02. SHAP – Nel dettaglio
  • 07.03. Introduzione ai grafici di SHAP
  • 07.04. Esempio pratico con SHAP (LM e RF)
  • 07.05. Esempio pratico con SHAP (NN)
  • 07.06. Introduzione alla pipeline ML (1)
  • 07.07. Introduzione alla pipeline ML (2)
  • 07.08. Esempi con testo e immagini – Introduzione a SHAP nell’analisi immagini
  • 07.09. Esempi con testo e immagini – Applicazione di SHAP nell’analisi immagini (1)
  • 07.10. Esempi con testo e immagini – Applicazione di SHAP nell’analisi immagini (2)
  • 07.10. Quiz
  • 08. Certificato
  • 08.01. Certificato

Interpretabilità e spiegabilità in Machine Learning e IA

  • 01. Interpretabilità vs spiegabilità in ML ed in IA
  • 01.01. Interpretabilità vs spiegabilità in ML ed in IA (1)
  • 01.02. Interpretabilità vs spiegabilità in ML ed in IA (2)
  • 01.02. Quiz
  • 02. Introduzione e contesto legislativo
  • 02.01. Storia dell’IA
  • 02.02. La legislazione europea
  • 02.02. Quiz
  • 03. Introduzione alla tassonomia ed esempi di XAI
  • 03.01. Metodi Locali Vs globali Introduzione alla Tassonomia
  • 03.02. Metodi Locali e Globali
  • 03.03. Modelli Interpretabili Regressione Lineare
  • 03.04. Modelli Interpretabili Albero Decisionale
  • 03.05. Metodi Post Hoc
  • 03.05. Quiz
  • 04. Letteratura XAI e ambiti di applicazione
  • 04.01. Letteratura XAI e ambiti di applicazione (1)
  • 04.02. Letteratura XAI e ambiti di applicazione (2)
  • 04.02. Quiz
  • 05. Introduzione alle librerie
  • 05.01. Introduzione alle librerie – prima parte
  • 05.02. Introduzione alle librerie – seconda parte
  • 05.03. Introduzione alle librerie – terza parte
  • 05.04. Introduzione alle librerie – quarta parte
  • 05.04. Quiz
  • 06. LIME
  • 06.01. Introduzione a LIME
  • 06.02. LIME nel dettaglio
  • 06.03. Esempio pratico con LIME
  • 06.03. Quiz
  • 07. SHAP
  • 07.01. SHAP – Introduzione
  • 07.02. SHAP – Nel dettaglio
  • 07.03. Introduzione ai grafici di SHAP
  • 07.04. Esempio pratico con SHAP (LM e RF)
  • 07.05. Esempio pratico con SHAP (NN)
  • 07.06. Introduzione alla pipeline ML (1)
  • 07.07. Introduzione alla pipeline ML (2)
  • 07.08. Esempi con testo e immagini – Introduzione a SHAP nell’analisi immagini
  • 07.09. Esempi con testo e immagini – Applicazione di SHAP nell’analisi immagini (1)
  • 07.10. Esempi con testo e immagini – Applicazione di SHAP nell’analisi immagini (2)
  • 07.10. Quiz
  • 08. Certificato
  • 08.01. Certificato
Docenti
Arrighi
Pennella
Vascotto
Descrizione Docenti

Sono un dottorando di Applied Data Science and Artificial Intelligence dell’Università di Trieste, specializzato in Deep Learning ed eXplainable AI. Il mio campo di ricerca consiste nello studio delle tecniche di XAI e nella loro applicazione al mondo dell’industria alimentare. Sono affascinato dalla matematica, materia in cui mi sono laureato all’università, e dalle sue applicazioni nella vita quotidiana. Sono competente nello sviluppo di tecniche di computer vision e di reti neurali che utilizzo per indagare il mondo del cibo: la qualità, la produzione, il mantenimento

Ilaria Vascotto
Ilaria Vascotto è attualmente dottoranda in Applied Data Science and Artificial Intelligence presso l’università degli studi di Trieste. Il suo principale tema di ricerca è Explainable Artificial Intelligence, con particolare interesse verso i temi di robustezza e trustworthiness delle tecniche utilizzate in ambiti di applicazione reali. Ha conseguito la laurea magistrale in Data Science e la laurea triennale in Statistica presso la medesima università. Nel tempo libero pratica discipline aeree, ama viaggiare e conoscere nuove culture.

Luca Pennella
Luca Pennella è attualmente dottorando in Applied Data Science and Artificial Intelligence presso l’università degli studi di Trieste e freelance in ambito education. I suoi interessi di ricerca spaziano dall’utilizzo di tecniche di Machine Lerning per il mondo DeFi e Blockchain, l’utilizzo ti tecniche di explainability e statistiche per dati di indagine e lo studio di metodologie statistiche per dati sbilanciati.
Ha maturato esperienza nel mondo della consulenza dove ha lavorato a diversi progetti di analisi dati.
Nel tempo libero ama leggere, viaggiare e praticare sport.

Vantaggi
  • Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!

  • Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;

  • Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;

  • Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.

  • A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;

  • Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

  • Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!

  • Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;

  • Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;

  • Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.

  • A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;

  • Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

Play Video
80,00 
Durata
05:37:56
Quiz
9
Accesso life long
Certificato
slide, github, dataset
esercitazioni
Prodotti Correlati
Torna in alto