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 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