Contacta con nosotros

Temario del curso

Introducción a la IA explicable (XAI) y la transparencia del modelo

  • ¿Qué es la IA explicable?
  • Por qué importa la transparencia en los sistemas de IA
  • Interpretabilidad frente a rendimiento en modelos de IA

Descripción general de las técnicas de XAI

  • Métodos independientes del modelo: SHAP, LIME
  • Técnicas explicativas específicas del modelo
  • Explicación de redes neuronales y modelos de aprendizaje profundo

Construcción de modelos de IA transparentes

  • Implementación de modelos interpretables en la práctica
  • 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 del modelo
  • Aprovechamiento de LIME para la explicabilidad local
  • Visualización de las decisiones y comportamientos del modelo

Abordaje de la equidad, el sesgo y la IA ética

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

Aplicaciones del mundo real de la XAI

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

Direcciones futuras en la IA explicable

  • Investigación emergente 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