Quantum XAI: اولین دوره جامع فارسی هوش مصنوعی توضیح‌پذیر

🟦 فاز ۰: مقدمه و آشنایی با XAI

• چرا XAI اهمیت دارد و تفاوت با مدل‌های پیچیده چیست

• مشکلات Black-box و اهمیت اعتماد، اخلاق و قانون

• انواع توضیح: Local vs Global، Feature Attribution، Counterfactual

🟦 فاز ۱: آشنایی با داده‌ها

• داده‌های جدولی، تصویری، متنی و سری زمانی

• انتخاب روش توضیح‌پذیری مناسب

• تمرین عملی: مشاهده و شناسایی ویژگی‌ها در Colab

🟦 فاز ۲: مدل‌های ذاتی و قابل توضیح

• Linear / Logistic Regression، Decision Tree

• تحلیل مسیر تصمیم و وزن ویژگی‌ها

• مقایسه مدل‌های ساده و پیچیده (Random Forest / Boosting)

• بررسی Trade-off بین دقت و Explainability

🟦 فاز ۳: روش‌های Post-hoc

• LIME و SHAP برای تحلیل مدل‌های Black-box

• Feature Importance و What-if Analysis

• تمرین عملی: نمودارها، Heatmap و Highlight نواحی مهم داده‌ها

🟦 فاز ۴: XAI برای داده‌های پیچیده

• بینایی ماشین: CNN، Grad-CAM و Saliency Map

• NLP: TF-IDF، LSTM / Transformer

• تحلیل تصمیم مدل و تمرین عملی روی داده واقعی

🟦 فاز ۵: اخلاق، اعتماد و سوگیری

• کشف Bias و سنجش Fairness

• Accountability و Transparency

• طراحی Model Card و Explainability Report

🟦 فاز ۶: پروژه عملی (Capstone)

• انتخاب نوع داده و آموزش مدل

• اجرای حداقل ۳ روش XAI

• تولید خروجی‌های بصری حرفه‌ای و مستندسازی

• ارائه پروژه به صورت Notebook و گزارش علمی