Aprender Inteligencia Artificial Explicable

Resumen

Unlock the power of explainable AI (XAI) and gain insights into how machine learning models make decisions! In this course, you'll explore key techniques for interpreting models, from simple linear regression to complex neural networks.

You'll learn how to analyze feature importance, visualize decision-making processes, and build more transparent AI systems. We’ll cover fundamental XAI methods, including linear model coefficients, tree-based feature importance, permutation importance, partial dependence (PDP), and individual conditional expectation (ICE) plots.

You'll also dive into SHAP (Shapley Additive Explanations) and LIME (Local Interpretable Model-agnostic Explanations) to better understand model predictions at both global and individual levels.

Programa

• Introducción a la IA Explicable: Aprende a utilizar técnicas de IA explicable, incluyendo coeficientes de modelos lineales, importancia de características en árboles, importancia de permutación y gráficos PDP/ICE.
Lección: Introducción a la IA Explicable
Proyecto: IA Explicable en la Predicción de Deserción de Empleados
Cuestionario: Introducción a la XAI
• Introducción a SHAP: Aprende a usar SHAP para explicar modelos de ML e IA.
Lección: Introducción a SHAP
Proyecto: Explicación de Predicciones de Diagnóstico de Cáncer de Mama con SHAP
Cuestionario: Cuestionario Introductorio a SHAP
• Introducción a LIME: Aprende a usar LIME para explicar modelos de ML e IA.
Lección: Introducción a LIME
Proyecto: Explicación de Predicciones de Diagnóstico de Cáncer de Mama con LIME
Cuestionario: Cuestionario Introductorio a LIME
Informativo: Próximos Pasos en la IA Explicable

---

Materias

Computer Science