Speaker
Description
The lecture covers the path from noisy data to scientifically defensible AI results, including signal-to-noise assessment, preprocessing, data leakage, validation, uncertainty, and reproducibility. It also presents explainable AI as a tool for auditing model behaviour while distinguishing model explanations from causal and scientific conclusions.
Az előadás bemutatja azt a folyamatot, amely a zajos adatoktól a tudományosan megalapozott mesterségesintelligencia-eredményekig vezet, beleértve a jel-zaj viszony értékelését, az előfeldolgozást, az adatszivárgás problémáját, a validációt, a bizonytalanság kezelését és a reprodukálhatóságot.
Az előadás kitér a magyarázható mesterséges intelligenciára is mint a modellek működésének auditálását segítő eszközre, ugyanakkor világosan megkülönbözteti a modellek magyarázatait az oksági és tudományos következtetésektől.