یادگیری ماشین تفسیرپذیر: مدل‌های جایگزین و LIME مرور فشرده و جامعی از روش‌های پایه‌ای مورد استفاده برای توضیح الگوریتم‌های پیچیده و جعبهسیاه ارائه می‌دهد. تکنیک‌های پیش‌بینی مدرن، از جمله شبکه‌های عصبی عمیق، الگوریتم‌های خوشه‌بندی بدون نظارت و مدل‌های پیشرفته تشخیص ناهنجاری مانند جنگل‌های ایزوله یا ماشین‌های بردار پشتیبان تک‌کلاسی، اغلب در ازای از دست رفتن شفافیت، عملکرد پیش‌بینی فوق‌العاده‌ای ارائه می‌دهند. از آنجا که این سیستم‌های پیچیده فاقد پارامترهای مستقیم مانند ضریب‌های رگرسیون خطی یا امتیازهای داخلی اهمیت ویژگی هستند، متخصصان حوزه برای درک رفتار و اعتبارسنجی تصمیم‌های آن‌ها به روش‌های تفسیر پسینی تکیه می‌کنند. این سرفصل آموزشی مدل‌های جایگزین سراسری را به عنوان یک راهبرد اصلی برای تقریب سطح بالای مدل معرفی می‌کند. یک مدل جایگزین سراسری ساختاری ذاتاً تفسیرپذیر مانند درخت تصمیم یا مدل رگرسیون خطی است که به طور صریح آموزش دیده تا خروجی‌های یک مدل جعبهسیاه آموزش‌دیده را در کل یک مجموعه داده شبیه‌سازی کند. فراگیران می‌آموزند که چگونه وفاداری مدل جایگزین را با استفاده از معیارهای آماری مانند ضریب تعیین ارزیابی کنند و همزمان کاربردهای عملی مدل‌های جایگزین سراسری را بررسی نمایند که شامل قابل فهم ساختن سیستم‌های پیچیده خوشه‌بندی و تشخیص ناهنجاری برای ذینفعان غیرفنی است.
در دوره آموزشی Interpretable Machine Learning: Surrogate Models & LIME با روش‌های پایه‌ای مانند مدل‌های جایگزین سراسری برای درک، توضیح و ساده‌سازی رفتار الگوریتم‌های پیچیده و جعبهسیاه یادگیری ماشین آشنا خواهید شد.
