Im dritten Artikel unserer 4-teiligen Blogserie widmen wir uns dem Thema Explainable AI, das in den letzten Jahren in der Machine Learning Community sehr stark an Bedeutung gewonnen hat. Bei Explainable AI geht es darum, die Vorhersagen eines Modells zu verstehen, was unter anderem zu einem erhöhten Vertrauen in die Modelle führt. Wir diskutieren im Artikel verschiedene Ansätze zur Erklärung von CNN-Netzwerk-Vorhersagen und fokussieren uns auf das Grad-CAM Verfahren.
Machine Learning Goes Causal II: Meet the Random Forest’s Causal Brother
A new field of Machine Learning is born: Causal Machine Learning. Learn here about the Causal Forest, one of the most famous Causal Machine Learning algorithms for estimating heterogeneous treatment effects.
Machine Learning Goes Causal I: Why Causality Matters
A new field of Machine Learning is born: Causal Machine Learning. Learn here what it is and why it is crucial for the future of Data Science.