HBM 537E - Hesaplamalı Bilim ve Mühendislikte Güvenilir ve Açıklanabilir Makine Öğrenmesi

Dersin Amaçları

Makine öğreniminde yorumlanabilirlik ve açıklanabilirliği tam anlamıyla kavrayarak model tahminlerinde açıklık
ve şeffaflık sağlamak.
Öğrencileri, çeşitli uygulamalarda makine öğrenimi model kararlarını eleştirel bir şekilde analiz etmeleri için
eğitmek.
Makine öğrenimi modellerinde önyargıların ve etik sorunların tanımlanmasını ve azaltılmasını teşvik ederek adil
ve hesap verebilir olmalarını sağlamak.
Öğrencileri, çeşitli uygulama alanlarda yorumlanabilirlik tekniklerini uygulayabilecek şekilde hazırlamak.

Dersin Tanımı

HBM’de yorumlanabilirlik ve açıklanabilirlik genel kavramları, açıklanabilir yöntemler, modelden bağımsız teknikler,
LIME, nedensellik, güvenilir ve kararlı makine öğrenimi, OOD genelleştirme, alan uyarlama, sıfır-atış öğrenme, hatalı
girdilere karşı sinir ağlarını eğitme, öznitelik seçimi, sinir ağlarının yorumlanabilirliği, görselleştirme ve önem haritaları,
derin ağ açıklamaları, rakip tabanlı yöntemler, bütünleşik ve gradyan temelli yöntemler, sınıf aktivasyon ve katman
bazında önem haritaları, tersine mühendislik, kara kutu modeller, ölçeklenebilir gürbüz meta-modeller, bilgi damıtma,
global açıklama teknikleri, kısmi etkileşim grafikleri, fonksiyonel ayrıştırma, ANOVA, doğrusal modeller, karar ağaçları,
GAM'lar, SHAP, açıklanabilir artış makineleri ve toplamsal yapay sinir modeller gibi yorumlanabilir modeller.