Dersin Bilgileri

Dersin Adı	Türkçe	Hesaplamalı Bilim ve Mühendislikte Güvenilir ve Açıklanabilir Makine Öğrenmesi
	İngilizce	Trustworthy and Explainable Mach. Learning in Computational Sci. and Eng.
Dersin Kodu	HBM 537E	Kredi	Ders (saat/hafta)	Uygulama (saat/hafta)	Labratuvar (saat/hafta)
Dönem	-	3	3	-	-
Dersin Dili		İngilizce
Dersin Koordinatörü		Gülşen Taşkın Kaya Gülşen Taşkın Kaya
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.
Dersin Çıktıları		Bu dersi başarıyla tamamlayan yüksek lisans öğrencileri aşağıdaki konularda bilgi, beceri ve yetkinlik kazanır: 1. Makine öğreniminin temel kavramları ile birlikte yorumlanabilirliği ve açıklanabilirliğinin arkasındaki temel ilkeleri ve teorileri derinlemesine anlama. 2. Farklı bağlamlarda makine öğrenimi modellerini açıklamak için stratejileri değerlendirme, seçme ve uygulama yeteneği kazanma. 3. Makine öğrenimi modellerinin şeffaflığını ve güvenilirliğini analiz edip artırarak etik ve güvenilir çıktılar elde etme becerisi öğrenme. 4. Makine öğrenimi modellerini yeni ve görülmemiş veri ortamlarına uyarlayarak doğruluğunu artırma yeteneği geliştirme. 5. Modellerdeki önyargıları değerlendirme ve azaltma yöntemlerini anlama ve uygulama, veri değişkenliklerine ve saldırılara karşı modellerin direncini artırma. 6. Makine öğrenimi modellerinden elde edilen çıktıları ve açıklamaları eleştirel bir şekilde inceleme yeteneği kazanma, sınırlılıklarını ve olası hatalarını tanıma
Önkoşullar
Gereken Olanaklar
Diğer
Ders Kitabı
Diğer Referanslar

Dersler

Yardım

Hakkında