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 vs. rendimiento en modelos de IA

Panorama 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 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

Abordando 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 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 mediante sistemas de IA transparentes

Futuras Direcciones en la IA Explicable

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

Resumen y Próximos Pasos

Requerimientos

  • Experiencia en desarrollo de modelos de aprendizaje automático e IA
  • Familiaridad con la 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