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 las técnicas avanzadas de XAI
- Revisión de métodos básicos de XAI
- Desafíos al interpretar modelos complejos de IA
- Tendencias en investigación y desarrollo de XAI
Técnicas de Explicabilidad Independientes del Modelo (Model-Agnostic)
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicaciones basadas en anclas (Anchor explanations)
Técnicas de Explicabilidad Específicas del Modelo
- Propagación de relevancia capa por capa (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Métodos basados en gradientes (Grad-CAM, Gradientes Integrados)
Explicación de Modelos de Aprendizaje Profundo
- Interpretación de redes neuronales convolucionales (CNNs)
- Explicación de redes neuronales recurrentes (RNNs)
- Análisis de modelos basados en transformers (BERT, GPT)
Manejo de Desafíos de Interpretabilidad
- Abordar las limitaciones de los modelos de caja negra
- Equilibrar la precisión y la interpretabilidad
- Tratar el sesgo y la equidad en las explicaciones
Aplicaciones de XAI en Sistemas Reales
- XAI en los sectores de salud, finanzas y derecho
- Requisitos regulatorios y de cumplimiento en IA
- Construir confianza y rendición de cuentas a través de XAI
Tendencias Futuras en IA Explicable
- Técnicas y herramientas emergentes en XAI
- Modelos de explicabilidad de próxima generación
- Oportunidades y desafíos en la transparencia de IA
Resumen y Próximos Pasos
Requerimientos
- Sólido conocimiento de IA y aprendizaje automático
- Experiencia con redes neuronales y aprendizaje profundo
- Familiaridad con técnicas básicas de XAI
Público objetivo
- Investigadores experimentados en IA
- Ingenieros de aprendizaje automático
21 Horas
