Da künstliche Intelligenz (KI) in Hochrisikobereiche wie das Gesundheitswesen, das Finanzwesen und die Strafjustiz integriert wird, ist es von entscheidender Bedeutung, dass diejenigen, die für die Entwicklung dieser Systeme verantwortlich sind, über den Tellerrand hinausschauen und Systeme entwickeln, die nicht nur genau, sondern auch transparent und vertrauenswürdig sind. Dieser Kurs ist ein umfassender, praktischer Leitfaden für erklärbares maschinelles Lernen (XAI), der Sie in die Lage versetzt, KI-Lösungen zu entwickeln, die mit den Grundsätzen verantwortungsvoller KI übereinstimmen. Durch Diskussionen, Fallstudien, Programmierübungen und Beispiele aus der Praxis werden Sie die folgenden Fähigkeiten erwerben: 1. Implementierung lokaler erklärbarer Techniken wie LIME, SHAP und ICE-Plots mit Python. 2. Implementierung von globalen erklärbaren Techniken wie Partial Dependence Plots (PDP) und Accumulated Local Effects (ALE) Plots in Python. 3. Anwendung von beispielbasierten Erklärungstechniken, um Modelle des maschinellen Lernens mit Python zu erklären. 4. Visualisierung und Erklärung von neuronalen Netzwerkmodellen mit SOTA-Techniken in Python. 5. Kritische Bewertung interpretierbarer Aufmerksamkeits- und Auffälligkeitsmethoden zur Erklärung von Transformatormodellen. 6. Neue Ansätze zur Erklärung von großen Sprachmodellen (LLMs) und generativen Computer-Vision-Modellen erforschen. Dieser Kurs ist ideal für Datenwissenschaftler oder Ingenieure für maschinelles Lernen, die über ein solides Verständnis von maschinellem Lernen verfügen, aber bisher wenig mit XAI-Konzepten in Berührung gekommen sind. Durch die Beherrschung von XAI-Ansätzen werden Sie in die Lage versetzt, KI-Lösungen zu entwickeln, die nicht nur leistungsfähig, sondern auch interpretierbar, ethisch vertretbar und vertrauenswürdig sind, um kritische Herausforderungen in Bereichen wie Gesundheitswesen, Finanzen und Strafjustiz zu lösen. Um diesen Kurs erfolgreich zu absolvieren, sollten Sie über ein mittleres Verständnis von Konzepten des maschinellen Lernens wie überwachtes Lernen und neuronale Netze verfügen.