Рет қаралды 302
Вводный вебинар по теме "Explainable AI" (объяснимое машинное обучение). В ходе вебинара описано определение объяснимости, а также рассмотрены нюансы feature importance для ансамблевых моделей.
Курс на степике:
stepik.org/a/1...
0:00 - 2:03 | Технические моменты
Введение и организационные вопросы перед началом основного материала.
2:03 - 3:43 | Тезисы вебинара
Краткий обзор тем, которые будут освещены в ходе вебинара.
3:43 - 5:45 | Определение объяснимой модели
Определяем, что такое объяснимая модель и почему объяснимость так важна в машинном обучении.
5:45 - 12:50 | Какие задачи решает объяснение моделей?
Обсуждаем задачи и проблемы, которые можно решить с помощью объяснимых моделей.
12:50 - 15:25 | Почему важно знать несколько методов объяснения
Узнаём, почему важно иметь в своем арсенале несколько методов для объяснения моделей.
15:25 - 17:40 | Ключевая проблема методов объяснения
Рассматриваем основную проблему, с которой сталкиваются методы объяснения.
17:40 - 19:39 | Feature importances
Объясняем, что такое важность признаков и как она используется в моделях машинного обучения.
19:39 - 23:50 | Напоминание: что такое древесные и ансамблевые модели
Повторяем основные понятия о древесных и ансамблевых моделях, которые будут полезны для дальнейшего обсуждения.
23:50 - 29:09 | Как строится дерево
Рассматриваем процесс построения дерева решений и его роль в машинном обучении.
29:09 - 33:46 | Как происходит процесс вычисления важности признаков
Объясняем, как вычисляется важность признаков в различных моделях.
33:46 - 35:40 | Виды важности признаков в ансамблевых моделях: Catboost
Смотрим, как вычисляется важность признаков в модели Catboost.
35:40 - 36:30 | Виды важности признаков в ансамблевых моделях: LGBM, XGB Рассматриваем особенности вычисления важности признаков в моделях LightGBM и XGBoost.
36:30 - Практика
Практическая часть вебинара, где мы применяем полученные знания на реальных примерах.