Machine Learning Explanations: LIME

Price:60,00 

Trasparenza dell’IA: capire perché l’algoritmo ci suggerisce una certa decisione

Quantity:

COD: C0023 Categorie: , , Tag:

Capire come è stata ottenuta una determinata previsione o perché l’algoritmo ci suggerisce una certa decisione, queste sono gli argomenti essenziali che hanno dato vita al campo delle spiegazioni degli algoritmi di Artificial Intelligence. Avere una buona comprensione della logica dell’algoritmo utilizzato è essenziale in diversi contesti, sia per ragioni legali che etiche. In questo corso tratteremo una delle tecniche di spiegazione più utilizzate: LIME. Questo metodo permette di ottenere una spiegazione della logica con cui ogni singolo individuo del dataset è stato previsto. LIME funziona su qualsiasi modello di previsione. All’inizio del corso parleremo dell’interpretazione geometrica che risulta valida per ogni tipo di modello di Machine Learning. Questa nozione sarà utile per capire LIME da un punto di vista geometrico, e per comprendere come la tecnica di spiegazione può valere per tutti i tipi di modelli. Entreremo poi nel dettaglio del metodo, analizzando la tecnica applicata ai dati tabulari e illustrando nel dettaglio i vari step del metodo. Ci soffermeremo anche sui punti deboli, mostrando casi in cui le spiegazioni non sono affidabili. Dopo avere analizzato a fondo il metodo di base, passeremo ad analizzare frameworks che migliorano le spiegazioni di LIME, in particolare il più promettente di questi è OptiLIME, che garantisce di ottenere spiegazioni più stabili e più affidabili. Infine verrà mostrato come applicare il metodo anche a dati relativi a testo e immagini. Di tutte le tecniche descriveremo prima il funzionamento a livello teorico, per poi testarle su dati e modelli reali tramite notebook in python. L’unico prerequisito richiesto è una conoscenza base di python, mentre potrebbe essere utile (anche se non indispensabile) una conoscenza sommaria dei concetti base dei modelli di Machine/Deep Learning.

Giorgio Visani

Giorgio Visani è esperto di Machine Learning e tecniche di spiegazione. Ha maturato anni di esperienza come Data Scientist presso Crif SpA, dove si occupa di sviluppo di tecniche di Artificial Intelligence e delle relative tecniche di spiegazione, legate all’ambito bancario. Oltre all’esperienza professionale, è attualmente Dottorando presso l’Università di Bologna, dipartimento di Ingegneria Informatica, dove si occupa principalmente dei seguenti ambiti: metodi di spiegazione per tecniche di Artificial Intelligence, studio della Causalità nelle basi di dati e metodi per imporre le strutture causali nei modelli di Machine Learning. Precedentemente si è laureato in Scienze Statistiche all’Università di Bologna ed è stato ricercatore presso lo stesso ateneo.

Recensioni

Ancora non ci sono recensioni.

Solamente clienti che hanno effettuato l'accesso ed hanno acquistato questo prodotto possono lasciare una recensione.