¡Enhorabuena!

IA explicable en Python

Fouad Trad

Machine Learning Engineer

Capítulo 1

Fundamentos de la IA explicable:

  • Principios clave y terminología
  • Explicabilidad específica de modelos lineales y de árboles
IA explicable en Python

Capítulo 1

Fundamentos de la IA explicable:

  • Principios clave y terminología
  • Explicabilidad específica de modelos lineales y de árboles

Capítulo 2

Técnicas agnósticas al modelo:

  • Importancia por permutación
  • SHAP
IA explicable en Python

Capítulo 1

Fundamentos de la IA explicable:

  • Principios clave y terminología
  • Explicabilidad específica de modelos lineales y de árboles

Capítulo 2

Técnicas agnósticas al modelo:

  • Importancia por permutación
  • SHAP

Capítulo 3

Explicabilidad local:

  • SHAP
  • LIME
IA explicable en Python

Capítulo 1

Fundamentos de la IA explicable:

  • Principios clave y terminología
  • Explicabilidad específica de modelos lineales y de árboles

Capítulo 2

Técnicas agnósticas al modelo:

  • Importancia por permutación
  • SHAP

Capítulo 3

Explicabilidad local:

  • SHAP
  • LIME

Capítulo 4

Temas avanzados:

  • Métricas de explicabilidad
  • Explicar modelos no supervisados
  • Explicar modelos de IA generativa
IA explicable en Python

¿Qué sigue?

Imagen con una flecha que destaca los próximos pasos. El primero es aplicar la explicabilidad a modelos de IA diversos.

1 Imágenes generadas con DALL·E
IA explicable en Python

¿Qué sigue?

Imagen con una flecha que destaca los próximos pasos. El primero es aplicar la explicabilidad a modelos de IA diversos. El segundo es mejorar la transparencia y confianza en la IA.

1 Imágenes generadas con DALL·E
IA explicable en Python

¿Qué sigue?

Imagen con una flecha que destaca los próximos pasos. El primero es aplicar la explicabilidad a modelos de IA diversos. El segundo es mejorar la transparencia y confianza en la IA. El tercero es explorar la equidad en IA y la detección de sesgos.

1 Imágenes generadas con DALL·E
IA explicable en Python

¿Qué sigue?

Imagen con una flecha que destaca los próximos pasos. El primero es aplicar la explicabilidad a modelos de IA diversos. El segundo es mejorar la transparencia y confianza en la IA. El tercero es explorar la equidad en IA y la detección de sesgos. El cuarto es mantenerse al día con herramientas emergentes en IA explicable.

1 Imágenes generadas con DALL·E
IA explicable en Python

¡Enhorabuena!

IA explicable en Python

Preparing Video For Download...