اولین مینی دوره تخصصی هوش مصنوعی توضیح پذیر (XAI): از مدل‌های Black-Box تا تصمیم‌های شفاف و قابل اعتماد

چرا توضیح‌پذیری در هوش مصنوعی مهم است

مشکلات مدل‌های Black-box

اعتماد، اخلاق و قانون در مدل‌های یادگیری ماشین

کاربرد XAI در پزشکی، مهندسی، کسب‌وکار و سیستم‌های بحرانی

انواع مدل‌ها از نظر توضیح‌پذیری: مدل‌های ذاتی (Linear، Decision Tree، Rule-based)

مدل‌های غیرقابل توضیح (Neural Network، SVM، Deep Learning)

تعریف مدل‌های قابل توضیح پس از آموزش (Post-hoc Explanation)

روش‌های اصلی توضیح‌پذیری: LIME، SHAP، Grad-CAM همراه با مثال‌های ساده

تمرین عملی در Google Colab: بارگذاری مدل ساده (مثلاً Random Forest یا CNN)، تست SHAP و LIME روی داده تصویری یا متنی، تفسیر نمودارهای خروجی

کاربردهای XAI در پروژه‌های واقعی: پزشکی (تصویر پزشکی و تشخیص بیماری)، منابع انسانی (تشخیص سوگیری در استخدام)، سیستم‌های مالی و تصمیم‌گیری اعتباری، سیستم‌های توصیه‌گر

چالش‌های اخلاقی و حقوقی: سوگیری داده‌ها و نابرابری تصمیم‌ها، شفافیت در مدل‌های حیاتی، مفاهیم Fairness، Accountability و Transparency

طراحی مستند توضیح‌پذیری و اخلاق مدل: تمرین گروهی نوشتن سند توضیح‌پذیری، سناریوی توضیح عملکرد مدل توسط پزشک یا مهندس

جمع‌بندی آینده XAI و نقش آن در مصاحبه‌ها، رزومه و پروژه‌های واقعی

نحوه متمایز شدن با XAI در پایان‌نامه، مقاله یا رزومه

معرفی منابع تکمیلی، فریم‌ورک‌ها و مسیر یادگیری عمیق‌تر