BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240328T140000
DTEND;TZID=Europe/Paris:20240328T180000
DTSTAMP:20260430T170903
CREATED:20240202T160437Z
LAST-MODIFIED:20240327T145057Z
UID:9946-1711634400-1711648800@datacraft.paris
SUMMARY:Atelier - Interprétabilité : soulever le capot des valeurs de Shapley
DESCRIPTION:inscription\n			\n				\n				\n				\n				\n				Niveau en Machine Learning \n***Connaissances avancées en Machine Learning/DA/IA  \nNiveau en Python \n* : Connaissances de base en Python \nCet atelier sera animé par Charles Tremblay\, head of data science\, Ornikar \nPrésentation de l’atelier : \nLes valeurs de Shapley se sont largement popularisées pour interpréter les modèles d’intelligence artificielle depuis leur développement en 2017. Avec leur promesse de bonnes propriétés logiques\, leur méthode locale et l’excellente UX du package SHAP\, elles semblaient cocher toutes les cases. Mais des critiques substantielles – tant de la part de scientifiques que de praticiens – sont aujourd’hui adressées aux valeurs de Shapley. \nAlors\, que peuvent-elles et que ne peuvent-elles pas ? Sur quels fondements mathématiques reposent les Shapley\, quelles sont leurs forces et leurs failles empiriques ? C’est à ces questions que nous répondrons tous ensemble\, par la théorie et la mise en pratique sur des cas d’usage simples mais qui permettent de mettre en évidence ces éléments. \nNous aborderons les points suivants : \n* Calculer de façon fiable les valeurs de Shapley sous Python (avec SHAP)* Utiliser ces valeurs pour interpréter les résultats d’un modèle de Machine Learning* Identifier les situations pour lesquelles l’utilisation des Shapley doit être sujette à caution. \nDescription du jeu de données :  \nJeu de données Kaggle : Home Credit Default Risk \nQue vous soyez novices ou experts\, n’hésitez pas à nous rejoindre pour enrichir les échanges et approfondir votre pratique de Shapley ! \n 
URL:https://datacraft.paris/event/atelier-interpretabilite-soulever-le-capot-des-valeurs-de-shapley-2/
LOCATION:datacraft –\, 3 rue Rossini\, 75009 Paris\, France
END:VEVENT
END:VCALENDAR