Temario del curso
Introducción a la Explicabilidad en el Aprendizaje Profundo
- ¿Qué son los modelos de caja negra?
- La importancia de la transparencia en los sistemas de IA.
- Resumen de los desafíos de explicabilidad en las redes neuronales.
Técnicas XAI Avanzadas para el Aprendizaje Profundo
- Métodos independientes del modelo para el aprendizaje profundo: LIME, SHAP.
- Propagación de relevancia por capas (LRP).
- Mapas de saliencia y métodos basados en gradientes.
Explicando las Decisiones de la Red Neuronal
- Visualización de las capas ocultas en las redes neuronales.
- Comprensión de los mecanismos de atención en los modelos de aprendizaje profundo.
- Generación de explicaciones legibles por humanos a partir de las redes neuronales.
Herramientas para Explicar Modelos de Aprendizaje Profundo
- Introducción a las bibliotecas XAI de código abierto.
- Uso de Captum e InterpretML para el aprendizaje profundo.
- Integración de técnicas de explicabilidad en TensorFlow y PyTorch.
Interpretabilidad vs. Rendimiento
- Compromisos entre precisión e interpretabilidad.
- Diseño de modelos de aprendizaje profundo interpretables pero con alto rendimiento.
- Gestión del sesgo y la equidad en el aprendizaje profundo.
Aplicaciones del Mundo Real de la Explicabilidad en el Aprendizaje Profundo
- Explicabilidad en los modelos de IA para la salud.
- Requisitos regulatorios para la transparencia en la IA.
- Despliegue de modelos de aprendizaje profundo interpretables en producción.
Consideraciones Éticas en el Aprendizaje Profundo Explicable
- Implicaciones éticas de la transparencia de la IA.
- Equilibrio entre prácticas de IA éticas e innovación.
- Preocupaciones sobre la privacidad en la explicabilidad del aprendizaje profundo.
Resumen y Próximos Pasos
Requerimientos
- Comprensión avanzada del aprendizaje profundo.
- Familiaridad con Python y marcos de aprendizaje profundo.
- Experiencia trabajando con redes neuronales.
Público Objetivo
- Ingenieros de aprendizaje profundo.
- Especialistas en IA.
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
