Explainable Machine Learning with LIME and H2O in R
Use LIME and H2O for automatic and interpretable machine learning
Build Classification Models with AutoML
Explain and Interpret the Model Predictions using LIME
Welcome to this hands-on, guided introduction to Explainable Machine Learning with LIME and H2O in R. By the end of this project, you will be able to use the LIME and H2O packages in R for automatic and interpretable machine learning, build classification models quickly with H2O AutoML and explain and interpret model predictions using LIME. Machine learning (ML) models such as Random Forests, Gradient Boosted Machines, Neural Networks, Stacked Ensembles, etc., are often considered black boxes. However, they are more accurate for predicting non-linear phenomena due to their flexibility. Experts agree that higher accuracy often comes at the price of interpretability, which is critical to business adoption, trust, regulatory oversight (e.g., GDPR, Right to Explanation, etc.). As more industries from healthcare to banking are adopting ML models, their predictions are being used to justify the cost of healthcare and for loan approvals or denials. For regulated industries that use machine learning, interpretability is a requirement. As Finale Doshi-Velez and Been Kim put it, interpretability is "The ability to explain or to present in understandable terms to a human.". To successfully complete the project, we recommend that you have prior experience with programming in R, basic machine learning theory, and have trained ML models in R. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
Навыки, которые вы получите
- r-programming-language
- data-science
- LIME
- machine-learning
- H2O
Будете учиться пошагово
На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:
Introduction and Project Overview
Import Libraries and Load the IBM HR Employee Attrition Data
Preprocess Data using Recipes
Start H2O Cluster and Create Train/Test Splits
Run AutoML to Train and Tune Models
Leaderboard Exploration
Model Performance Evaluation
Local Interpretable Model-Agnostic Explanations (LIME)
Apply LIME to Interpret Model Outcomes
Как устроены проекты с консультациями
Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.
На разделенном экране видео преподаватель предоставляет пошаговые
Рецензии
Лучшие отзывы о курсе EXPLAINABLE MACHINE LEARNING WITH LIME AND H2O IN R
A Nice choice of the contents in this course, I must say! A good guided that I should recommend everyone to take. Good luck!
It was an interesting course, explaining hat is happening inside a machine learning algorithm.
Great intro to machine learning and model intrepretation
Часто задаваемые вопросы
Часто задаваемые вопросы
Что я получу, приобретя проект с рекомендациями?
Доступны ли проекты с консультациями на ПК и мобильных устройствах?
Какие преподаватели ведут проекты с рекомендациями?
Можно ли скачать работу из уже завершенного проекта с рекомендациями?
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Можно ли прослушать проект с рекомендациями и посмотреть видео бесплатно?
Какие предварительные знания требуются для работы над проектом с рекомендациями?
Можно ли выполнить этот проект с рекомендациями в веб-браузере, не устанавливая специальное ПО?
Как организована учеба на проектах с рекомендациями?
Остались вопросы? Посетите Центр поддержки учащихся.
Coursera Footer
