Practical: Explainable Machine Learning (XAI)

Practical: Explainable Machine Learning (XAI)

Administrative information

Title

 Trust, Normativity and Model Drift
Duration 45-60
Module C
Lesson Type Lecture
Focus Technical - Future AI
Topic Open Problems and Challenges  

 

Keywords

XAI,Ante-hoc,Post-hoc,SHAP,LIME,

 

Learning Goals

  • Understand the Taxonomy of XAI techniques
  • Understand the advantages and drawbacks of selected approaches to XAI
  • Apply selected XAI techniques to a data set
  • Identify future directions of XAI

 

Expected Preparation

Obligatory for Students

None.

Optional for Students

None.

References and background for students

None.

Recommended for Teachers

None.

 

Lesson materials

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

 

Instructions for Teachers

Using the tabular example in the notes, using both LIME and SHAP to examine all attributes for four other incorrectly classified instances to describe the predictions. $ Using CNNS and the LIME and SHAP explainability approaches for four other incorrectly classified instances to describe the predictions. $ For a text-based problem, identify four other incorrectly classified instances to describe the predictions and why they may have been incorrect. $ Sum up your efforts, determine if exercises meet all five XAI perspectives, and elaborate if they do.

 

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 Practical: Explainable Machine Learning (XAI) is gemaakt met Wikiwijs van Kennisnet. Wikiwijs is hét onderwijsplatform waar je leermiddelen zoekt, maakt en deelt.

Auteur
HCAIM Consortium
Laatst gewijzigd
2024-02-14 22:43:37
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
copy this template and fill in
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: Trust, Normativity and Model Drift

https://maken.wikiwijs.nl/202206/Lecture__Trust__Normativity_and_Model_Drift

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
Practical: Explainable Machine Learning (XAI)
open