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 técnicas avanzadas de XAI
- Revisión de métodos básicos de XAI
- Desafíos en la interpretación de modelos complejos de IA
- Tendencias en investigación y desarrollo de XAI
Técnicas de explicabilidad independientes del modelo
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicaciones basadas en anclas
Técnicas de explicabilidad específicas del modelo
- Propagación de relevancia por capas (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Métodos basados en gradientes (Grad-CAM, Integrated Gradients)
Explicación de modelos de aprendizaje profundo
- Interpretación de redes neuronales convolucionales (CNNs)
- Explicación de redes neuronales recurrentes (RNNs)
- Análisis de modelos basados en transformadores (BERT, GPT)
Manejo de desafíos de interpretabilidad
- Superación de limitaciones de los modelos de «caja negra»
- Equilibrio entre precisión e interpretabilidad
- Manejo del sesgo y la equidad en las explicaciones
Aplicaciones de XAI en sistemas del mundo real
- XAI en los sectores de salud, finanzas y legal
- Regulación e requisitos de cumplimiento de la IA
- Fomento de la confianza y la responsabilidad mediante XAI
Tendencias futuras en IA Explicable
- Técnicas y herramientas emergentes en XAI
- Modelos de explicabilidad de nueva generación
- Oportunidades y desafíos en la transparencia de la IA
Resumen y próximos pasos
Requerimientos
- Sólido conocimiento de la IA y el 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
