دوره روش‌های بومی توضیح‌پذیری مدل‌های هوش مصنوعی و ارزیابی آن‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های بومی توضیح‌پذیری مدل‌های هوش مصنوعی و ارزیابی آن‌ها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توضیح‌پذیری و تفسیرپذیری مدل‌ها در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین نظارت‌شده
• 3. یادگیری ماشین بدون نظارت
• 4. یادگیری تقویتی
• 5. مقدمه‌ای بر توضیح‌پذیری مدل‌ها در هوش مصنوعی
• 6. اهمیت توضیح‌پذیری در کاربردهای حساس
• 7. چالش‌های توضیح‌پذیری مدل‌های پیچیده
• 8. انواع روش‌های توضیح‌پذیری
• 9. توضیح‌پذیری بومی در مقابل جهانی
• 10. روش‌های توضیح‌پذیری پس از آموزش (Post-hoc)
• 11. روش‌های مبتنی بر نمونه (Instance-based)
• 12. روش‌های مبتنی بر ویژگی (Feature-based)
• 13. روش‌های مبتنی بر مدل (Model-based)
• 14. توضیح‌پذیری محلی (Local Explainability)
• 15. مفهوم توضیح‌پذیری محلی
• 16. چرا توضیح‌پذیری محلی مهم است؟
• 17. کاربردهای توضیح‌پذیری محلی
• 18. روش‌های LIME (Local Interpretable Model-agnostic Explanations)
• 19. نحوه عملکرد LIME
• 20. مزایا و معایب LIME
• 21. کاربردهای عملی LIME
• 22. روش‌های SHAP (SHapley Additive exPlanations)
• 23. مفهوم ارزش شپلی (Shapley Value)
• 24. محاسبه SHAP برای مدل‌ها
• 25. تفسیر مقادیر SHAP
• 26. مقایسه LIME و SHAP
• 27. روش‌های مبتنی بر تأثیر ورودی (Input Influence)
• 28. تحلیل حساسیت ورودی
• 29. روش‌های Perturbation
• 30. تحلیل تأثیر تغییرات کوچک در ورودی
• 31. روش‌های مبتنی بر مدل‌های ساده‌تر (Surrogate Models)
• 32. ساخت مدل‌های جایگزین ساده
• 33. تفسیر مدل جایگزین
• 34. محدودیت‌های مدل‌های جایگزین
• 35. روش‌های مبتنی بر ویژگی‌های مهم
• 36. تحلیل اهمیت ویژگی‌ها
• 37. روش‌های مبتنی بر درخت تصمیم (Decision Trees)
• 38. توضیح‌پذیری مدل‌های مبتنی بر درخت
• 39. روش‌های مبتنی بر رگرسیون خطی (Linear Regression)
• 40. توضیح‌پذیری مدل‌های خطی
• 41. روش‌های مبتنی بر شبکه‌های عصبی (Neural Networks)
• 42. مقدمه‌ای بر شبکه‌های عصبی
• 43. توضیح‌پذیری شبکه‌های عصبی عمیق
• 44. روش‌های مبتنی بر توجه (Attention Mechanisms)
• 45. مفهوم سازوکارهای توجه
• 46. کاربرد توجه در توضیح‌پذیری
• 47. روش‌های مبتنی بر نقشه‌برداری فعال‌سازی (Activation Mapping)
• 48. نقشه‌برداری فعال‌سازی در شبکه‌های کانولوشنال
• 49. تفسیر نقشه‌های فعال‌سازی
• 50. روش‌های مبتنی بر نمونه‌های کلیدی (Prototypes)
• 51. شناسایی نمونه‌های نماینده
• 52. توضیح‌پذیری با استفاده از نمونه‌های کلیدی
• 53. روش‌های مبتنی بر قوانین استخراج شده (Rule Extraction)
• 54. استخراج قوانین از مدل‌های پیچیده
• 55. تفسیر قوانین استخراج شده
• 56. ارزیابی روش‌های توضیح‌پذیری
• 57. معیارهای ارزیابی توضیح‌پذیری
• 58. دقت (Fidelity)
• 59. قابلیت تفسیر (Interpretability)
• 60. ثبات (Stability)
• 61. کارایی (Efficiency)
• 62. سنجه‌های ارزیابی توضیح‌پذیری محلی
• 63. سنجه‌های ارزیابی توضیح‌پذیری جهانی
• 64. ارزیابی مقایسه‌ای روش‌ها
• 65. مطالعات موردی در حوزه‌های مختلف
• 66. توضیح‌پذیری در حوزه سلامت
• 67. توضیح‌پذیری در حوزه مالی
• 68. توضیح‌پذیری در حوزه حمل و نقل
• 69. توضیح‌پذیری در حوزه تشخیص تصویر
• 70. توضیح‌پذیری در حوزه پردازش زبان طبیعی
• 71. چالش‌های عملی پیاده‌سازی توضیح‌پذیری
• 72. ملاحظات اخلاقی در توضیح‌پذیری
• 73. حریم خصوصی و امنیت داده‌ها
• 74. مسئولیت‌پذیری در هوش مصنوعی
• 75. نیازهای رگولاتوری و انطباق
• 76. توضیح‌پذیری در چارچوب قوانین ایران
• 77. اصول فقهی و حقوقی در هوش مصنوعی
• 78. استانداردهای ملی و بین‌المللی
• 79. آینده توضیح‌پذیری در هوش مصنوعی
• 80. روش‌های نوین توضیح‌پذیری
• 81. توضیح‌پذیری مبتنی بر علیت (Causality)
• 82. توضیح‌پذیری برای هوش مصنوعی مولد
• 83. توضیح‌پذیری در سیستم‌های توصیه‌گر
• 84. توضیح‌پذیری در رباتیک
• 85. توضیح‌پذیری در یادگیری ماشینی توزیع‌شده
• 86. توضیح‌پذیری برای کاربران غیرمتخصص
• 87. آموزش و فرهنگ‌سازی توضیح‌پذیری
• 88. نقش متخصصان در ترویج توضیح‌پذیری
• 89. توضیح‌پذیری و اعتماد به سیستم‌های هوش مصنوعی
• 90. ایجاد اعتماد از طریق شفافیت
• 91. نقش توضیح‌پذیری در پذیرش عمومی
• 92. نکات پایانی در خصوص توضیح‌پذیری مدل‌ها