AI Workflow: Feature Engineering and Bias Detection

via Coursera

Resumen

Sumérgete en las fases cruciales del desarrollo de soluciones de IA con la tercera entrega de la especialización en Certificación de Flujo de Trabajo Empresarial de IBM, centrada en "Flujo de Trabajo de IA: Ingeniería de Características y Detección de Sesgos". Este curso está diseñado para seguir sin problemas la progresión de las dos entregas anteriores, por lo que se recomienda encarecidamente participar en este currículo de manera secuencial para una experiencia de aprendizaje integral. En este módulo, los participantes se enfrentarán a técnicas avanzadas diseñadas para un escenario hipotético en una empresa de medios, enfatizando la ingeniería de características, la mitigación de desequilibrios de clase y la importancia primordial de detectar y abordar los sesgos dentro de los datos para mantener la integridad de los modelos de aprendizaje automático.

A lo largo de este curso, los aprendices estarán equipados con el conocimiento para implementar las mejores prácticas en reducción de dimensiones, detección de anomalías y la aplicación de métodos de aprendizaje no supervisado para revelar patrones subyacentes en los datos. Con una serie de estudios de caso, incluyendo modelado de temas y visualización de datos compleja, el curso tiene como objetivo fortalecer habilidades en varias áreas clave:

Abordar y contrarrestar problemas relacionados con desequilibrios de clase
Entender las implicaciones éticas del sesgo de datos
Utilizar las bibliotecas de código abierto de AI Fairness 360 para la detección de sesgos en modelos de IA
Aplicar estrategias de reducción de dimensiones para el análisis exploratorio de datos (EDA) y etapas de transformación
Analizar datos de texto a través de técnicas de modelado de temas y visualización
Adoptar las mejores prácticas en el manejo de anomalías en datos de alta dimensión
Integrar algoritmos de detección de anomalías tanto para propósitos de aseguramiento de calidad como de modelado
Incorporar técnicas de aprendizaje no supervisado y algoritmos básicos de agrupamiento en el flujo de trabajo de IA

Este curso está específicamente diseñado para profesionales actuales de ciencia de datos con experiencia en la construcción de modelos de aprendizaje automático, buscando mejorar su experiencia en la implementación de IA dentro de empresas a gran escala. Los requisitos previos para inscribirse incluyen la finalización de los primeros dos cursos en la especialización de Flujo de Trabajo Empresarial de IA de IBM, una comprensión fundamental del álgebra lineal, muestreo, teoría de probabilidad y distribuciones, estadísticas descriptivas e inferenciales, principios de aprendizaje automático y competencia en Python junto con familiaridad con bibliotecas de ciencia de datos (NumPy, Pandas, matplotlib, scikit-learn), IBM Watson Studio y el proceso de pensamiento de diseño. Ofrecido a través de Coursera, este curso se encuentra bajo las categorías de Cursos de Inteligencia Artificial y Cursos de Aprendizaje No Supervisado.