Lecture: Introduction General Explainable AI

Lecture: Introduction General Explainable AI

Administrative information

Title Introduction to General Explainable AI
Duration 60 min
Module B
Lesson Type Lecture
Focus Ethical - Trustworthy AI
Topic General Explainable AI

 

Keywords

Explainable Artificial Intelligence,Machine Learning,Deep Learning,Interpretability,Comprehensibility,Transparency,Privacy,Fairness,Accountability,Responsible Artificial Intelligence,

Learning Goals

  • Understand, analyze and elaborate upon the importance of XAI in the modern world.
  • Differentiate between transparent and opaque machine learning models.
  • Categorize and discuss approaches to explainability XAI based on model scope, agnosticity, data types and explanation techniques.
  • Discern, investigate and discuss the trade-off between accuracy and interpretability.
  • Summarize and understand the working principles and mathematical modeling of XAI techniques like LIME, SHAP, DiCE, LRP, counterfactual and contrastive explanations.
  • Expand on possible applications of XAI techniques like LIME, SHAP, DiCE, LRP to generate explanations for black-box models for tabular, textual, and image datasets.

 

Expected Preparation

Learning Events to be Completed Before

None.

Obligatory for Students

  • Fundamentals of Python Programming
  • Fundamentals of Machine Learning

Optional for Students

  • Explainable Artificial Intelligence: An Introduction to Interpretable Machine Learning (1st ed. 2021 Edition) by Uday Kamath (Author), John Liu (Author)

References and background for students:

Recommended for Teachers

Lesson Materials


The materials of this learning event are available under CC BY-NC-SA 4.0.

 

Instructions for Teachers

This lecture provides general insights into the field of Explainable Artificial Intelligence (XAI). Our reliance on artificial intelligence models is further discussed. Teachers can emphasize that recent laws have also caused the urgency about explaining and defending the decisions made by AI systems. This lecture discusses tools and techniques to visualize, explain, and build trustworthy AI systems.

Outline

Duration Topic Description
5 mins Introduction Definition of XAI. Why is XAI Important and What Problems Does It Solve.
5 mins Dimensions of Explainability What Does Explainability Mean. What Criteria Does It Have to Answer.
20 mins Approaches to Explainability Transparent Models and Opaque Models.
20 mins Explainability Techniques Approaching Explainability with Model-Specific and Model-Agnostic Techniques.
10 mins Closing Remarks Discussion with Students. Questions and Answers.

 

 

More information

Click here for an overview of all lesson plans of the master human centred AI

Please visit the home page of the consortium HCAIM

Acknowledgements

The Human-Centered AI Masters programme was co-financed by the Connecting Europe Facility of the European Union Under Grant №CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.

The materials of this learning event are available under CC BY-NC-SA 4.0

 

The HCAIM consortium consists of three excellence centres, three SMEs and four Universities

HCAIM Consortium

Colofon

Het arrangement Lecture: Introduction General Explainable AI is gemaakt met Wikiwijs van Kennisnet. Wikiwijs is hét onderwijsplatform waar je leermiddelen zoekt, maakt en deelt.

Auteur
HCAIM Consortium
Laatst gewijzigd
2024-05-15 11:14:50
Licentie

Dit lesmateriaal is gepubliceerd onder de Creative Commons Naamsvermelding-GelijkDelen 4.0 Internationale licentie. Dit houdt in dat je onder de voorwaarde van naamsvermelding en publicatie onder dezelfde licentie vrij bent om:

  • het werk te delen - te kopiëren, te verspreiden en door te geven via elk medium of bestandsformaat
  • het werk te bewerken - te remixen, te veranderen en afgeleide werken te maken
  • voor alle doeleinden, inclusief commerciële doeleinden.

Meer informatie over de CC Naamsvermelding-GelijkDelen 4.0 Internationale licentie.

Aanvullende informatie over dit lesmateriaal

Van dit lesmateriaal is de volgende aanvullende informatie beschikbaar:

Toelichting
.
Eindgebruiker
leerling/student
Moeilijkheidsgraad
gemiddeld
Studiebelasting
4 uur en 0 minuten

Gebruikte Wikiwijs Arrangementen

HCAIM Consortium. (z.d.).

Acknowledgement

https://maken.wikiwijs.nl/198386/Acknowledgement

HCAIM Consortium. (z.d.).

Lecture: Introduction to privacy and risk

https://maken.wikiwijs.nl/200135/Lecture__Introduction_to_privacy_and_risk

Downloaden

Het volledige arrangement is in de onderstaande formaten te downloaden.

Metadata

LTI

Leeromgevingen die gebruik maken van LTI kunnen Wikiwijs arrangementen en toetsen afspelen en resultaten terugkoppelen. Hiervoor moet de leeromgeving wel bij Wikiwijs aangemeld zijn. Wil je gebruik maken van de LTI koppeling? Meld je aan via info@wikiwijs.nl met het verzoek om een LTI koppeling aan te gaan.

Maak je al gebruik van LTI? Gebruik dan de onderstaande Launch URL’s.

Arrangement

IMSCC package

Wil je de Launch URL’s niet los kopiëren, maar in één keer downloaden? Download dan de IMSCC package.

Meer informatie voor ontwikkelaars

Wikiwijs lesmateriaal kan worden gebruikt in een externe leeromgeving. Er kunnen koppelingen worden gemaakt en het lesmateriaal kan op verschillende manieren worden geëxporteerd. Meer informatie hierover kun je vinden op onze Developers Wiki.

close
Colofon
thumb  
gemaakt met Wikiwijs van kennisnet-logo
Lecture: Introduction General Explainable AI
open