Contacta con nosotros

Temario del curso

Introducción a la IA Explicable (XAI) y Transparencia de Modelos

  • ¿Qué es la IA Explicable?
  • Por qué la transparencia es importante en los sistemas de IA
  • Interpretabilidad vs. rendimiento en modelos de IA

Descripción General de las Técnicas de XAI

  • Métodos agnósticos al modelo: SHAP, LIME
  • Técnicas de explicabilidad específicas del modelo
  • Explicación de redes neuronales y modelos de aprendizaje profundo

Construcción de Modelos de IA Transparentes

  • Implementación práctica de modelos interpretables
  • Comparación entre modelos transparentes y modelos de caja negra
  • Equilibrar la complejidad con la explicabilidad

Herramientas y Bibliotecas Avanzadas de XAI

  • Uso de SHAP para la interpretación de modelos
  • Aprovechamiento de LIME para explicabilidad local
  • Visualización de decisiones y comportamientos del modelo

Abordaje de la Equidad, Sesgo y Ética en la IA

  • Identificación y mitigación de sesgos en modelos de IA
  • Equidad en la IA y sus impactos sociales
  • Garantizar la responsabilidad y la ética en el despliegue de la IA

Aplicaciones del Mundo Real de la XAI

  • Estudios de caso en salud, finanzas y gobierno
  • Interpretación de modelos de IA para cumplimiento regulatorio
  • Construcción de confianza con sistemas de IA transparentes

Direcciones Futuras en la IA Explicable

  • Investigaciones emergentes en XAI
  • Desafíos para escalar la XAI en sistemas a gran escala
  • Oportunidades para el futuro de la IA transparente

Resumen y Próximos Pasos

Requerimientos

  • Experiencia en aprendizaje automático y desarrollo de modelos de IA
  • Familiaridad con la programación en Python

Público Objetivo

  • Científicos de datos
  • Ingenieros de aprendizaje automático
  • Especialistas en IA
 21 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas