Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a técnicas avanzadas de XAI
- Repaso de métodos básicos de XAI
- Desafíos en la interpretación de modelos de IA complejos
- Tendencias en investigación y desarrollo de XAI
Técnicas de explicabilidad agnósticas al modelo
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicaciones de anclaje
Técnicas de explicabilidad específicas del modelo
- Propagación de relevancia por capas (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Métodos basados en gradientes (Grad-CAM, Integrated Gradients)
Explicación de modelos de aprendizaje profundo
- Interpretación de redes neuronales convolucionales (CNN)
- Explicación de redes neuronales recurrentes (RNN)
- Análisis de modelos basados en transformers (BERT, GPT)
Manejo de desafíos de interpretabilidad
- Abordar las limitaciones de los modelos de caja negra
- Equilibrar precisión e interpretabilidad
- Gestionar sesgo y equidad en las explicaciones
Aplicaciones de XAI en sistemas del mundo real
- XAI en sistemas de salud, finanzas y jurídicos
- Regulación y requisitos de cumplimiento en IA
- Construir confianza y responsabilidad mediante XAI
Tendencias futuras en IA Explicable
- Técnicas y herramientas emergentes en XAI
- Modelos de explicabilidad de próxima generación
- Oportunidades y desafíos en la transparencia de la IA
Resumen y siguientes pasos
Requerimientos
- Comprensión sólida de IA y aprendizaje automático
- Experiencia con redes neuronales y aprendizaje profundo
- Familiaridad con técnicas básicas de XAI
Público objetivo
- Investigadores experimentados en IA
- Ingenieros de aprendizaje automático
21 Horas
