Eğitimin Amacı ve Kapsamı
Temel SHAP grafiklerinin ötesinde, yüksek riskli kredi, sigorta, İK veya sağlık modellerinde açıklamaların matematiksel tutarlılığı, korelasyonlu değişkenler karşısındaki davranışı ve müşteriye verilecek aksiyon önerisi kritik önem taşır. Bu ileri seviye program; doğası gereği yorumlanabilir cam kutu modelleri (InterpretML Explainable Boosting Machine, GAM), TreeSHAP/interventional vs conditional SHAP ayrımını, korelasyonlu özelliklerde PDP yerine ALE kullanımını ve DiCE ile gerçekleştirilebilir counterfactual açıklamaları kapsar.
Ayrıca sinir ağlarında Integrated Gradients, conformal prediction ile karar güven aralığı ve EU AI Act / KVKK kapsamındaki açıklama hakkı gereklilikleri işlenir. Katılımcılar kurumun yüksek riskli bir karar modeli için denetime hazır XAI paketi ve müşteri/operasyon açıklama şablonu tasarlar.
Kimler Katılmalı?
- Kıdemli veri bilimciler ve ML mühendisleri
- Model validation, model risk ve AI yönetişim uzmanları
- Finans, sigorta, sağlık ve kamu karar sistemleri ekipleri
- Ön koşul: Makine öğrenmesi modelleri ve temel SHAP/değerlendirme bilgisi
Kazanımlar
- Performans kaybı yaşamadan InterpretML EBM ve kısıtlı GBDT gibi cam kutu modeller kurmak
- Korelasyonlu değişkenlerde SHAP ve PDP yanılgılarını teşhis edip ALE ve grup açıklamaları kullanmak
- DiCE ile iş kısıtlarına uyan, müşteriye sunulabilir counterfactual öneriler üretmek
- Conformal prediction ile her tahminin yanına istatistiksel geçerli güven kümesi eklemek
- Müşteri, operasyon ve denetçi kitleleri için farklı katmanlarda açıklama çıktısı standartlaştırmak
Konular
Cam Kutu (Glass-Box) Modeller
- Genelleştirilmiş toplamsal modeller (GAM) ve InterpretML EBM
- Monotonik ve etkileşim kısıtlı modellerle tasarım aşamasında açıklanabilirlik
Shapley Teorisi ve Korelasyon Sorunu
- TreeSHAP, KernelSHAP, interventional vs conditional beklenti
- Yüksek korelasyonlu değişkenlerde PDP yanılgısı ve ALE çözümleri
Counterfactual Açıklamalar ve Aksiyon Önerisi
- DiCE ile çeşitlilik ve yakınlık dengeli counterfactual üretimi
- Değiştirilemez değişkenler (yaş, geçmiş) ve nedensel kısıtlar
Derin Modeller ve Belirsizlik Açıklaması
- Integrated Gradients, attention ve prototip tabanlı açıklamalar
- MAPIE ile conformal prediction ve kaçınma (abstention) politikası
Regülasyon, Denetim ve Açıklama Güvenirliği
- Fidelity, stability ve adversarial açıklama manipülasyonu testleri
- EU AI Act yüksek risk dokümantasyonu ve ret gerekçe kodları (reason codes)
Bu Kategorideki Diğer Eğitimler
-
Korelasyondan nedenselliğe geçiş: DAG'lar, propensity score, Double Machine Learning (EconML/DoWhy), heterojen etki (CATE) ve farkların farkı (DiD); A/B testi yapılamayan durumlarda fiyat, kampanya ve politika etkisi ölçülür.
- Canlı Kurs
- 5 modül
-
Ham veriyi merkezileştirmeden kurumlar veya uç cihazlar arasında ortak model eğitimi: Flower framework, FedAvg/FedProx, non-IID veri, diferansiyel gizlilik (Opacus) ve güvenli agregasyon ile KVKK uyumlu işbirliği.
- Canlı Kurs
- 5 modül
-
Makine Öğrenmesine Giriş - Regresyon Modelleri
Linear, Ridge, Lasso ve Polynomial regresyon modellerinin matematiksel temelleri, özellik mühendisliği, MSE/RMSE/MAE/R² başarı metrikleri ve overfitting/regularization teknikleri.
- Canlı Kurs
- 3 modül
-
River kütüphanesi ile akan veride artımlı (incremental) öğrenme, prequential değerlendirme, ADWIN/Page-Hinkley ile concept drift tespiti ve contextual bandit; gerçek zamanlı sistemlerde kesintisiz adaptasyon sağlanır.
- Canlı Kurs
- 5 modül
-
NetworkX ve PyTorch Geometric ile ilişkisel veride modelleme: merkeziyet ve topluluk algoritmaları, çizge özellikleri, Node2Vec, GCN/GraphSAGE/GAT ile düğüm, bağlantı ve alt-çizge tahmini; sahtekarlık halkaları ve tedarik ağları.
- Canlı Kurs
- 5 modül
-
TabPFN v2 ile tablo verisinde in-context learning; Chronos, TimesFM, Moirai ve Lag-Llama ile zero-shot/fine-tuned zaman serisi tahmini; GBDT ve klasik modellere karşı hız, doğruluk ve maliyet karşılaştırması.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
