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 pratique complet sur l'Apprentissage automatique interprétable, vous donnant les moyens de développer des solutions IA qui sont alignées sur les principes de l'IA responsable. Vous obtiendrez également une compréhension du domaine émergent de l'interprétabilité mécaniste et de son utilisation dans la compréhension de grands modèles de langage. À travers des discussions, des études de cas, des laboratoires de programmation et des exemples du monde réel, vous acquerrez les compétences suivantes : 1. Décrire l'apprentissage automatique interprétable et différencier l'interprétabilité et l'explicabilité.

2. Expliquer et implémenter des modèles de régression en Python. 3. Démontrer la connaissance des modèles généralisés en Python. 4. Expliquer et mettre en œuvre des arbres décisionnels en Python. 5. Démontrer la connaissance des règles de décision en Python. 6. Définir et expliquer les approches de modèles interprétables de réseaux neurones, y compris les réseaux basés sur des prototypes, les réseaux monotones et les réseaux de Kolmogorov-Arnold. 7. Expliquer les concepts fondamentaux de l'interprétabilité mécaniste, y compris les caractéristiques et les circuits. 8. Décrire l'hypothèse de superposition 9. Définir l'apprentissage par représentation et être capable d'analyser la recherche actuelle sur la mise à l'échelle de l'apprentissage par représentation pour les LLM. Ce cours est idéal pour les scientifiques de données ou les ingénieurs d'apprentissage automatique qui ont une bonne maîtrise de l'apprentissage automatique, mais qui ont été peu exposés aux concepts d'interprétabilité. En maîtrisant les approches d'Apprentissage Automatique Interprétable, vous serez équipé pour créer des solutions IA qui sont non seulement puissantes mais aussi 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 devriez avoir une compréhension intermédiaire des concepts d'apprentissage automatique tels que l'apprentissage supervisé et les réseaux neurones.