Привет, друзья! 🐥 Как разобраться, что такое XAI? Какие модели можно назвать интерпретируемыми и почему? Как научиться считать SHAP и строить LIME, поняв, что там математически? Мы нередко говорим об области построения объяснимых моделей. Постепенно она набирает популярность — ещё бы, ведь безопасность систем ИИ прописана в Российском ГОСТ и европейском GDPR! Сегодня хотим поделиться бесплатным курсом Интерпретируемые модели! ✔️ Что в курсе: — Полное описание области: зачем она, какие решает задачи и какие использует термины; — Описания всех интерпретируемых ML моделей, а также то, как корректно их интерпретировать; — Интерпретация ансамблей: Random Forest, XGBoost, LGBM и CatBoost — какие есть возможности и что с ней может быть не так; — Код на Python для практики — открытые домашки; — SHAP и LIME — самые популярные методы области — разобранные теоретически и практически. ✔️Курс будет полезен: — Тем, кто только начинает изучать ML модели и имеет опыт работы с ними 1-2 года (или меньше); — Тем, кто хочет освежить знания классики и углубить работу с вкладами признаков; — Тем, кто читал 1000 статей по SHAP и LIME, но так ничего и не понял (бывает!). ✔️ Что внутри: теория, практика, 101 тестовая задача и 5 домашних заданий с кодом. Автор курса: выпускающийся математик, куратор магистратуры "Искусственный интеллект" ФКН ВШЭ, автор блога про XAI и один из наших преподавателей Сабрина Садиех. Отличных вам новых знаний! Ваша команда Ai Edu! ❤️