| Langue du Cours |
Anglais |
| Type de Cours |
Électif |
| Niveau du Cours |
Master |
| Enseignant(s) du Cours |
Pınar ULUER
puluer@gsu.edu.tr (Email)
|
| Assistant(e)s du Cours |
|
| Objectif du Cours |
Ce cours porte sur l’explication et l’interprétation des décisions des algorithmes d’apprentissage automatique. Il vise principalement à initier les étudiants aux méthodes d’intelligence artificielle explicable (XAI) et à montrer, à travers des applications pratiques, comment ces méthodes sont utilisées dans divers domaines.
|
| Contenus |
Ce cours vise à interpréter les décisions, les prédictions et les inférences des systèmes d’intelligence artificielle, ainsi qu’à expliquer comment et pourquoi ces résultats sont produits par les algorithmes existants. Il offre une vue d’ensemble de l’interprétation des décisions des modèles d’apprentissage automatique, utilisés dans divers domaines allant de la santé à la finance, souvent qualifiés de « boîtes noires », et aborde les aspects essentiels du développement de systèmes d’IA fiables, transparents et éthiques. Les étudiants auront l’occasion d’appliquer les méthodes présentées dans le cours à l’aide de Python et de discuter leurs résultats.
|
| Acquis d'Apprentissage du Cours |
À l'issue de ce cours, l'étudiant sera capable de :
1- expliquer les concepts fondamentaux de l'IA explicable (XAI) et la différence entre interprétabilité et explicabilité;
2- justifier le choix des méthodes d’explicabilité en évaluant de manière critique leurs fondements théoriques, les algorithmes sous-jacents, ainsi que leurs forces et leurs limites intrinsèques;
3- mener des recherches sur l'IA explicable, notamment en concevant et en mettant en œuvre des méthodes et des algorithmes appropriés;
4- implémenter des méthodes d'IA explicable et en évaluer de manière critique les performances en fonction des données et du problème traité.
|
| Méthodes d'Enseignement |
Théorie et pratique, présentation, discussion, questions-réponses
|
| Ressources |
- Mehta, M., Palade, V., & Chatterjee, I. (Eds.). (2023). Explainable AI: Foundations, methodologies and applications (Vol. 232, p. 273). Springer.
- Samek, W., Montavon, G., Vedaldi, A., Hansen, L. K., & Müller, K. R. (Eds.). (2019). Explainable AI: interpreting, explaining and visualizing deep learning (Vol. 11700). Springer Nature.
- Molnar, C. (2020). Interpretable machine learning.
- Hsieh, W., Bi, Z., Jiang, C., Liu, J., Peng, B., Zhang, S., ... & Liu, M. (2024). A comprehensive guide to explainable AI: from classical models to LLMs. arXiv preprint arXiv:2412.00800.
|
