Stepik О курсе
Подробнее
В критических отраслях и в ряде бизнес-решений интерпретируемость моделей становится ключевым элементом их применения. Курс предназначен для всех, кто хочет понять, как сделать модели прозрачными для пользователей и бизнеса.
Вы начнете с базовых концепций XAI и разберете их практическую ценность. Затем погрузитесь в терминологию и научитесь классифицировать методы объяснения. Мы рассмотрим модели ML и научимся корректно интерпретировать их — согласно с математической постановкой моделей.
Курс является частью полной версии: https://stepik.org/198640
Требования
Что нужно для старта
- Знание математики в рамках школьной программы
- Базовые знания высшей математики
- Минимальный опыт анализа данных при помощи языка программирования Python
- Знание основных алгоритмов классического машинного обучения
Результат
Что вы получите
- Понимать, зачем необходим Explainable AI и какую ценность он приносит в проектах.
- Разбираться в ключевых терминах XAI и классифицировать методы объяснения.
- Применять интерпрерпретируемые модели для построения выводов и понимать их связь с причинно-следственными выводами (Causal Inference).
- Оценивать важность признаков с использованием деревьев решений, Random Forest и популярных библиотек CatBoost, XGBoost и LightGBM.
- Выполнять практические задания для закрепления теоретических знаний на реальных примерах.
Аудитория
Для кого этот курс
- Курс будет полезен как начинающим специалистам, так и продолжающим, для более глубокого погружения в модели ML и их интерпретацию.
Содержание
8 занятийПрограмма курса
№ТемаЧто внутри
01Организационный модуль: добро пожаловать!
- О курсе
- Самопроверка по машинному обучению
02XAI: мотивация
- Что и зачем?
03Терминология XAI
- Терминология XAI: Введение
- Классификация методов объяснения
04Линейные интерпретируемые модели
- Интерпретируемые модели. Введение. Линейные модели.
- Линейная регрессия
- Логистическая регрессия
- GLM, GAM
- Каузальность в моделях
- ДЗ_1: Линейные модели: веса, регуляризация и прогнозы
- Туториал: веса линейной регрессии
05Нелинейные интерпретируемые модели
- Введение
- K-NN
- SVM
- Наивные Байесовские модели
- Decision Tree
- Random Forest vs Decision Tree importances
- Практические тонкости Feature importances: Catboost
- Практические тонкости Feature importances: XGB и LightGBM
- Домашнее задание: лес
- MoE
- Прототипные сети: «это похоже вот на то»
- Дополнительный материал: Linear and Neural Trees
- Итог блока: три способа остаться объяснимой
06Заключение
- Завершающий тест по интерпретируемым моделям
07Методы объяснений: введение
- Введение: методы объяснений
- Основы семейства SHAP-методов
- Основы семейства SHAP-методов: Практика
- LIME: Local Interpretable Model-agnostic Explanations
- LIME: Практика
- Общий вывод и заключение
08Новый модуль
Подробности будут доступны на странице курса
01Организационный модуль: добро пожаловать!
- О курсе
- Самопроверка по машинному обучению
02XAI: мотивация
- Что и зачем?
03Терминология XAI
- Терминология XAI: Введение
- Классификация методов объяснения
04Линейные интерпретируемые модели
- Интерпретируемые модели. Введение. Линейные модели.
- Линейная регрессия
- Логистическая регрессия
- GLM, GAM
- Каузальность в моделях
- ДЗ_1: Линейные модели: веса, регуляризация и прогнозы
- Туториал: веса линейной регрессии
05Нелинейные интерпретируемые модели
- Введение
- K-NN
- SVM
- Наивные Байесовские модели
- Decision Tree
- Random Forest vs Decision Tree importances
- Практические тонкости Feature importances: Catboost
- Практические тонкости Feature importances: XGB и LightGBM
- Домашнее задание: лес
- MoE
- Прототипные сети: «это похоже вот на то»
- Дополнительный материал: Linear and Neural Trees
- Итог блока: три способа остаться объяснимой
06Заключение
- Завершающий тест по интерпретируемым моделям
07Методы объяснений: введение
- Введение: методы объяснений
- Основы семейства SHAP-методов
- Основы семейства SHAP-методов: Практика
- LIME: Local Interpretable Model-agnostic Explanations
- LIME: Практика
- Общий вывод и заключение
08Новый модуль
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Интерпретируемые модели AI» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Нейросети и ИИ
Информация обновлена 21 сентября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
