Interpretable Machine Learning Applications: Part 2

제공자:
학습자는 이 안내 프로젝트에서 다음을 수행하게 됩니다.

Apply Local Interpretable Model-agnostic Explanations (LIME) as a machine learning interpretation

Explain individual predictions being made by a trained machine learning model.

Add aspects for individual predictions in your Machine Learning applications.

90-120 minutes
초급
다운로드 필요 없음
분할 화면 동영상
영어
데스크톱 전용

By the end of this project, you will be able to develop intepretable machine learning applications explaining individual predictions rather than explaining the behavior of the prediction model as a whole. This will be done via the well known Local Interpretable Model-agnostic Explanations (LIME) as a machine learning interpretation and explanation model. In particular, in this project, you will learn how to go beyond the development and use of machine learning (ML) models, such as regression classifiers, in that we add on explainability and interpretation aspects for individual predictions. In this sense, the project will boost your career as a ML developer and modeler in that you will be able to explain and justify the behaviour of your ML model. The project will also benefit your career as a decision-maker in an executive position interested in deploying trusted and accountable ML applications. This guided project is primarily targeting data scientists and machine learning modelers, who wish to enhance their machine learning application development with explanation components for predictions being made. The guided project is also targeting executive planners within business companies and public organizations interested in using machine learning applications for automating, or informing, human decision making, not as a ‘black box’, but also gaining some insight into the behavior of a machine learning classifier. Note: This guided project based course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

개발할 기술

  • Machine Learning Regression Classifiers

  • Programming in Python

  • Performance analysis of prediction models

  • Interpretable and Explainable Models

단계별 학습

작업 영역이 있는 분할 화면으로 재생되는 동영상에서 강사는 다음을 단계별로 안내합니다.

  1. Explore and understand the features and values from the available data about red wine quality

  2. Transform the available data into a classification dataset and problem

  3. Prepare the data for training and validation purposes

  4. Train, validate, estimate, and contrast the performance of three regression classifiers: Decision Tree, Random Forest, AdaBoost

  5. Prepare and train the “explainer” in terms of the LIME library

  6. Display and interpret explanations of individual predictions made by the three classifiers

안내형 프로젝트 진행 방식

작업 영역은 브라우저에 바로 로드되는 클라우드 데스크톱으로, 다운로드할 필요가 없습니다.

분할 화면 동영상에서 강사가 프로젝트를 단계별로 안내해 줍니다.

자주 묻는 질문

안내 프로젝트를 구매하면, 시작에 필요한 파일과 소프트웨어가 포함된 클라우드 데스크톱 작업 영역에 웹 브라우저를 통해 접근할 수 있으며, 주제 전문가의 단계별 동영상 지침 등 프로젝트 완료에 필요한 모든 것이 제공됩니다.

귀하의 작업 영역에는 노트북이나 데스크톱 컴퓨터에 맞게 용량이 지정된 클라우드 데스크톱이 포함되어 있으므로 모바일 기기에서는 안내 프로젝트를 이용할 수 없습니다.

안내 프로젝트 강사는 해당 주제의 전문가로서, 해당 프로젝트 영역이나 도구, 기술에 대한 경험이 풍부하며 전 세계 수백만 명의 학습자와 지식을 적극적으로 공유합니다.

안내 프로젝트에서 생성된 파일은 모두 다운로드하고 보관할 수 있습니다. 클라우드 데스크톱에 접속한 상태에서 '파일 브라우저'를 사용하여 파일을 다운로드할 수 있습니다.

안내 프로젝트는 환불이 불가능합니다. 전체 환불 정책 보기

안내 프로젝트에는 재정 지원이 제공되지 않습니다.

안내 프로젝트의 청강은 할 수 없습니다.

페이지 상단에서 이 안내 프로젝트에 대한 경험 수준을 누르면 우선적으로 알아야 하는 지식을 확인할 수 있습니다. 안내 프로젝트의 단계마다 강사가 차례대로 안내해 드립니다.

네, 브라우저를 통해 이용할 수 있는 클라우드 데스크톱에서 안내 프로젝트 완료에 필요한 모든 것을 이용할 수 있습니다.

브라우저의 분할 화면 환경에서 바로 작업을 완료하여 학습할 수 있습니다. 화면 왼쪽에 있는 작업 영역에서 작업을 완료할 수 있습니다. 화면 오른쪽에서는 강사의 단계별 프로젝트 안내를 볼 수 있습니다.