Comprendre les enjeux de l'explicabilité (XAI) et maîtriser les techniques/outils pour interpréter et expliquer les prédictions des modèles ML (boîtes noires), favorisant la confiance et la validation.
Campus Côte d'Azur
Campus Dubai
Campus Paris
14 jours
55 heures
Présentiel
Français
IA-014
Data Scientists, ML Engineers, chercheurs en IA, responsables éthique/conformité IA, auditeurs de modèles IA, managers souhaitant comprendre les décisions des modèles IA.
Solides connaissances en ML (modèles supervisés). Compétences en programmation (Python).
Importance et limites de l'XAI, méthodes d'interprétabilité globales (feature importance, partial dependence plots...) et locales (LIME, SHAP...), explicabilité des modèles spécifiques (arbres, CNN...), visualisation des explications, outils et bibliothèques XAI.
Supports de cours, bibliothèques Python XAI (LIME, SHAP, ELI5... - pratique), outils de visualisation, articles de recherche sur l'XAI, études de cas d'application de l'XAI (finance, santé, RH...), discussions sur l'interprétation et la communication des explications.
Application de méthodes XAI (LIME, SHAP) pour expliquer les prédictions d'un modèle ML sur un cas pratique. Comparaison des différentes méthodes d'explicabilité. Communication claire des explications à un public non expert.
Représentante de la formation
Que vous soyez un particulier ou une organisation/un groupe à la recherche d'un programme, contactez-nous et nous vous aiderons à trouver la meilleure solution pour vous.