用于医疗保健的可解释深度学习模型 - CDSS 3

通过 Coursera Plus 提高技能，仅需 239 美元/年（原价 399 美元）。立即节省

用于医疗保健的可解释深度学习模型 - CDSS 3

Q: 我什么时候能看到讲座和作业？

要获得课程资料、作业和证书，您需要在注册课程时购买证书体验。 您可以尝试免费试听，或申请资助。课程可能提供 "完整课程，无证书"。通过该选项，您可以查看所有课程资料，提交必要的评估，并获得最终成绩。这也意味着您无法购买证书体验。

本课程是利用深度学习做出明智的临床决策专项课程的一部分

位教师：Fani Deligianni

1,863 人已注册

包含在中

了解更多

4个模块

深入了解一个主题并学习基础知识。

15 条评论

中级等级

推荐体验

3 周完成

在 10 小时一周

灵活的计划

自行安排学习进度

4个模块

深入了解一个主题并学习基础知识。

15 条评论

中级等级

推荐体验

3 周完成

在 10 小时一周

灵活的计划

自行安排学习进度

您将学到什么

时间序列分类中的程序全局可解释性方法
为 CAM 和 GRAD-CAM 等深度学习编程本地可解释性方法
了解深度学习网络的公理归因
将注意力纳入递归神经网络，并将注意力权重可视化

您将获得的技能

您将学习的工具

要了解的详细信息

可分享的证书

添加到您的领英档案

作业

5 项作业

授课语言：英语（English）

了解顶级公司的员工如何掌握热门技能

了解关于 Coursera for Business 的更多信息

Petrobras, TATA, Danone, Capgemini, P&G 和 L'Oreal 的徽标

积累特定领域的专业知识

本课程是利用深度学习做出明智的临床决策专项课程专项课程的一部分

在注册此课程时，您还会同时注册此专项课程。

向行业专家学习新概念
获得对主题或工具的基础理解
通过实践项目培养工作相关技能
获得可共享的职业证书

该课程共有4个模块

本课程将介绍机器学习应用中的可解释性和可解释性概念。学员将了解全局、局部、模型无关和特定模型解释之间的区别。课程将讲解最先进的可解释性方法，如 "珀尔帖特征重要性"（PFI）、"本地可解释模型无关解释"（LIME）和 "SHapley Additive exPlanation"（SHAP），并将这些方法应用于时间序列分类中。随后，还将讲解和实施特定模型解释，如类激活映射（CAM）和梯度加权 CAM。学习者将了解公理归因及其重要性。最后，将在递归层（Recurrent Layers）之后加入注意力机制，并将注意力权重可视化，以产生模型的局部解释。

深度学习模型非常复杂，很难理解其决策。可解释性方法旨在阐明深度学习的决策，提高信任度，避免错误，确保人工智能的道德使用。可解释性可分为全局性、局部性、模型无关性和模型特定性。置换特征重要性是一种全局性的、与模型无关的可解释性方法，它提供的信息涉及哪些输入变量与输出更相关。

涵盖的内容

6个视频8篇阅读材料1个作业1个讨论话题5个非评分实验室

6个视频总计72分钟

欢迎视频 - 医疗保健领域可解释的 Deep Learning 模型1分钟
可解释性与可说明性17分钟
医疗保健应用中的 "可解释性17分钟
可解释性方法分类学17分钟
与模型无关的可解释性方法11分钟
时间序列数据中的排列特征重要性8分钟

8篇阅读材料总计390分钟

可解释预测模型在医疗保健领域的重要性10分钟
可解释的人工智能 - 分类学60分钟
与模型无关的可解释性30分钟
排列特征重要性60分钟
实践练习：使用排列特征重要性解释 MLP 模型g60分钟
实践练习：利用排列特征重要性解读 CNN 模型60分钟
实践练习：利用排列特征重要性解释 LSTM 模型60分钟
心电图中的可解释性模型50分钟

1个作业总计30分钟

第 1 周期末测验30分钟

1个讨论话题总计10分钟

第 1 周 - 您的体验10分钟

5个非评分实验室总计50分钟

使用 CNN 对心搏进行分类的排列特征重要性10分钟
光 - 使用 CNN 对心跳进行分类的排列特征重要性10分钟
使用 LSTM 对心搏进行分类的排列特征重要性10分钟
光 - 使用 LSTM 对心搏进行分类的排列特征重要性10分钟
使用多层感知器对心搏进行分类的排列特征重要性10分钟

局部可解释性方法可解释模型如何得出特定决策。LIME 通过一个更简单、可解释的模型对模型进行局部近似。SHAP 在此基础上进行了扩展，它还旨在解决输入特征的多重共线性问题。LIME 和 SHAP 都是与模型无关的局部解释。另一方面，CAM 是一种类区分可视化技术，专门用于在深度 Neural Network 中提供局部解释。