Interpretable Machine Learning Applications: Part 2
Apply Local Interpretable Model-agnostic Explanations (LIME) as a machine learning interpretation
Explain individual predictions being made by a trained machine learning model.
Add aspects for individual predictions in your Machine Learning applications.
By the end of this project, you will be able to develop intepretable machine learning applications explaining individual predictions rather than explaining the behavior of the prediction model as a whole. This will be done via the well known Local Interpretable Model-agnostic Explanations (LIME) as a machine learning interpretation and explanation model. In particular, in this project, you will learn how to go beyond the development and use of machine learning (ML) models, such as regression classifiers, in that we add on explainability and interpretation aspects for individual predictions. In this sense, the project will boost your career as a ML developer and modeler in that you will be able to explain and justify the behaviour of your ML model. The project will also benefit your career as a decision-maker in an executive position interested in deploying trusted and accountable ML applications. This guided project is primarily targeting data scientists and machine learning modelers, who wish to enhance their machine learning application development with explanation components for predictions being made. The guided project is also targeting executive planners within business companies and public organizations interested in using machine learning applications for automating, or informing, human decision making, not as a ‘black box’, but also gaining some insight into the behavior of a machine learning classifier. Note: This guided project based course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
Les compétences que vous développerez
- Machine Learning Regression Classifiers
- Programming in Python
- Performance analysis of prediction models
- Interpretable and Explainable Models
Apprendrez étape par étape
Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :
Explore and understand the features and values from the available data about red wine quality
Transform the available data into a classification dataset and problem
Prepare the data for training and validation purposes
Train, validate, estimate, and contrast the performance of three regression classifiers: Decision Tree, Random Forest, AdaBoost
Prepare and train the “explainer” in terms of the LIME library
Display and interpret explanations of individual predictions made by the three classifiers
Comment fonctionnent les Projets Guidés
Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.
Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé
Foire Aux Questions
Foire Aux Questions
Que vais-je obtenir si j'achète un Projet Guidé ?
Les Projets Guidés sont-ils disponible sur ordinateur et sur mobile ?
Qui sont les enseignants pour les Projets Guidés ?
Puis-je télécharger le travail depuis mon Projet Guidé une fois que je l'ai terminé ?
Quelle est la politique de remboursement ?
Une aide financière est-elle disponible ?
Puis-je assister au Projet Guidé en tant qu'auditeur libre et regarder une partie de la vidéo gratuitement ?
De quelle expérience ai-je besoin pour réaliser ce Projet Guidé ?
Puis-je terminer ce Projet Guidé directement avec mon navigateur web, au lieu d'installer un logiciel spécial ?
Comment se présente l'expérience d'apprentissage pour les Projets Guidés ?
D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.
Coursera Footer
