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 agnósticos al 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 capas ocultas en redes neuronales
- Comprensión de los mecanismos de atención en modelos de aprendizaje profundo
- Generación de explicaciones legibles por humanos a partir de redes neuronales
Herramientas para explicar modelos de aprendizaje profundo
- Introducción a bibliotecas XAI de código abierto
- Uso de Captum e InterpretML para el aprendizaje profundo
- Integración de técnicas de explicabilidad en TensorFlow y PyTorch
Interpretabilidad frente a rendimiento
- Compensaciones entre precisión e interpretabilidad
- Diseño de modelos de aprendizaje profundo interpretables pero con buen rendimiento
- Gestión de sesgos y equidad en el aprendizaje profundo
Aplicaciones prácticas de la explicabilidad en el aprendizaje profundo
- Explicabilidad en modelos de IA para la atención sanitaria
- Requisitos normativos de transparencia en la IA
- Implementación de modelos de aprendizaje profundo interpretables en producción
Consideraciones éticas en el aprendizaje profundo explicable
- Implicaciones éticas de la transparencia de la IA
- Balanza entre prácticas éticas de IA 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 trabajo 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
