揭開黑箱模型：探索可解釋人工智慧

第15屆iT邦幫忙鐵人賽

本系列將從 XAI 的基礎知識出發，深入探討可解釋人工智慧在機器學習和深度學習中的應用、案例和挑戰，以及未來發展方向。希望透過這個系列，幫助讀者更好地理解和應用可解釋人工智慧技術，促進可信、透明、負責任的人工智慧發展。

鐵人賽列表

文章	程式
[Day 1] 揭開模型的神秘面紗：為何XAI對機器學習如此重要？	-
[Day 2] 從黑盒到透明化：XAI技術的發展之路	-
[Day 3] 機器學習中的可解釋性指標	-
[Day 4] LIME vs. SHAP：哪種XAI解釋方法更適合你？	-
[Day 5] 淺談XAI與傳統機器學習的區別	-
[Day 6] 非監督學習也能做到可解釋性？探索XAI在非監督學習中的應用	Code
[Day 7] KNN與XAI：從鄰居中找出模型的決策邏輯	Code
[Day 8] 解釋線性模型：探索線性迴歸和邏輯迴歸的可解釋性	Code
[Day 9] 基於樹狀結構的XAI方法：決策樹的可解釋性	Code
[Day 10] Permutation Importance：從特徵重要性角度解釋整個模型行為	Code
[Day 11] Partial Dependence Plot：探索特徵對預測值的影響	Code
[Day 12] LIME理論：如何用局部線性近似解釋黑箱模型	-
[Day 13] LIME實作：實戰演練LIME解釋方法	Code
[Day 14] SHAP理論：解析SHAP解釋方法的核心	-
[Day 15] SHAP實作：實戰演練SHAP解釋方法	Code
[Day 16] 神經網路的可解釋性：如何理解深度學習中的黑箱模型？	-
[Day 17] 解析深度神經網路：使用Deep SHAP進行模型解釋	Code
[Day 18] CNN：卷積深度神經網路的解釋方法	-
[Day 19] Perturbation-Based：如何用擾動方法解釋神經網路	Code
[Day 20] Gradient-Based：利用梯度訊息解釋神經網路	Code
[Day 21] Propagation-Based：探索反向傳播法的可解釋性	-
[Day 22] CAM-Based：如何解釋卷積神經網路	Code
[Day 23] Attention-Based：使用注意力機制解釋CNN模型	Code
[Day 24] LSTM的可解釋性：從時序資料解析人體姿態預測	Code
[Day 25] XAI在影像處理中的瑕疵檢測：解釋卷積神經網路的運作	Code
[Day 26] XAI在表格型資料的應用：解析智慧工廠中的鋼材缺陷	Code
[Day 27] XAI在NLP中的應用：以情感分析解釋語言模型	Code
[Day 28] XAI如何影響人類對技術的信任和接受程度？	-
[Day 29] 對抗樣本的挑戰：如何利用XAI檢測模型的弱點？	-
[Day30] XAI未來發展方向：向更可靠的機器學習模型邁進	-

回報錯誤與建議

本系列文章若有問題或是內容建議都可以來 GitHub 中的 issue 提出。歡迎大家一同貢獻為這系列文章有更好的閱讀品質。

歡迎大家訂閱我的 YouTube 頻道。