Alors que l'intelligence artificielle (IA) s'intègre dans des domaines à haut risque tels que les soins de santé, la finance et la justice pénale, il est essentiel que les personnes responsables de la construction de ces systèmes pensent en dehors de la boîte noire et développent des systèmes qui sont non seulement précis, mais aussi transparents et dignes de confiance. Ce cours est un guide complet et pratique de l'Apprentissage Automatique Explicable (XAI), vous donnant les moyens de développer des solutions d'IA qui sont alignées sur les principes de l'IA responsable. À travers des discussions, des études de cas, des laboratoires de programmation et des exemples du monde réel, vous acquerrez les compétences suivantes : 1. Mettre en œuvre des techniques locales explicables telles que les tracés LIME, SHAP et ICE en utilisant Python. 2. Mettre en œuvre des techniques explicatives globales telles que les tracés de dépendance partielle (PDP) et les tracés d'effets locaux cumulés (ALE) en Python. 3. Appliquer les techniques d'explication basées sur l'exemple pour expliquer les modèles d'apprentissage automatique en utilisant Python. 4. Visualiser et expliquer les modèles de réseaux neurones en utilisant les techniques SOTA en Python. 5. Évaluer de manière critique les méthodes d'attention et de saillance interprétables pour les explications de modèles transformateurs. 6. Explorer les approches émergentes de l'explicabilité pour les grands modèles de langage (LLM) et les modèles génératifs de vision par ordinateur. Ce cours est idéal pour les scientifiques de données ou les ingénieurs en apprentissage automatique qui ont une bonne compréhension de l'apprentissage automatique, mais qui ont eu peu d'exposition aux concepts XAI. En maîtrisant les approches XAI, vous serez équipé pour créer des solutions IA qui sont non seulement puissantes mais aussi interprétables, éthiques et dignes de confiance, résolvant des défis critiques dans des domaines tels que la santé, la finance et la justice pénale. Pour réussir ce cours, vous devez avoir une compréhension intermédiaire des concepts d'apprentissage automatique tels que l'apprentissage supervisé et les réseaux neurones.