Wählen und prüfen Sie Modellerklärungen, ohne ihre Aussagekraft zu übertreiben.
Sie unterscheiden intrinsische Interpretierbarkeit von nachträglichen Erklärungen, untersuchen Merkmalsattribution und betrachten interpretierbare neuronale Netze sowie Grenzen im Produktionseinsatz. Prüfen Sie die Stabilität von Erklärungen, was eine Methode tatsächlich über das Modell aussagt und wie sich ihre Reichweite passend kommunizieren lässt.
Ein interpretierbares Modell von einer nachträglich ergänzten Erklärung unterscheiden. Annahmen und Grenzen von Merkmalsattribution wie SHAP erläutern. Stabilität, Zielgruppe und Entscheidungsrisiko vor der Kommunikation einer Erklärung bewerten.
Erfahrung mit überwachtem Machine Learning und Modellevaluation ist empfehlenswert. Grundkenntnisse zu Merkmalen, Vorhersagen sowie Klassifikation oder Regression sind hilfreich.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschritten · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.