[廣宣學堂] 模型探索技法: 可解釋的AI模型

機器學習的模型可解釋化、或機器學習公平性研究，是近年新興的研究主題，如何避免數學模型學習到人類的偏差行為，也可以幫助我們進行機器學習時，對於數據與模型間能夠做假設分析，透過Google所提供的機器學習模型探索方法，可以評估演算法在長期的預測行為上，是否反映真實情況。

圖例: 運用視覺呈現的方式了解模型將各種人臉歸類的情況

本課堂中，我們邀請到Google機器學習開發專家（GDE）分享Google最新的機器學習可解釋的工具，透過模型探索的方式來跟著我們一起理解資料與模型的關係。課堂中可以學習到比較同一工作流程中的多個模型、視覺的方式推斷模型結果、視覺理解模型特徵、相似性排列數據點、編輯數據點並觀察模型的性能、比較事實與非事實的數據點、使用混淆矩陣和ROC曲線進行實驗、測試演算法的公平性。

課堂中還包含了人口年齡、普查收入、圖像辨識三個實作個案，幫助我們更快的透過個案進入機器學習模型可解釋的探索，並且實際應用於產業上、您的工作當中。

實時互動學習 + 會後補課影片 + 可遠距可實體課，沒有疫情與地區限制、馬上提問，疑惑馬上澄清。搞懂很多過去的迷惑、練功一下、機會難得。

課程內容

1. 機器學習模型探索原理解析

2. 探索視覺化的技法

3. 機器學習模型探索實作演練

4. 可解釋人口年齡之數值迴歸應用探討

5. 可解釋普查收入之數值分類應用探討

6. 可解釋微笑辨識之圖像分類應用探討