Contacta con nosotros

Temario del curso

Introducción a la IA Explicable (XAI) y la 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

Visión general de las técnicas de XAI

  • Métodos independientes del 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 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 de modelos
  • Aprovechamiento de LIME para la explicabilidad local
  • Visualización de las decisiones y comportamientos del modelo

Abordando la Equidad, el Sesgo y la Ética en la IA

  • Identificación y mitigación del sesgo en los modelos de IA
  • Equidad en la IA y su impacto social
  • Garantizar la responsabilidad y la ética en el despliegue de la IA

Aplicaciones en el mundo real de 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

Futuras direcciones en la IA Explicable

  • Investigación emergente en XAI
  • Desafíos para escalar XAI en sistemas de 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
  • Conocimientos básicos de programación en Python

Audiencia objetivo

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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas