What You Need to Know Before
You Start

Starts 5 June 2025 20:56

Ends 5 June 2025

00 days
00 hours
00 minutes
00 seconds
course image

Explainable Machine Learning (XAI)

Machine Learning Explicable (XAI) Machine Learning Explicable (XAI) A medida que la Inteligencia Artificial (IA) se integra en dominios de alto riesgo como la salud, las finanzas y la justicia penal, es fundamental que aquellos responsables de construir estos sistemas piensen fuera de la caja negra y desarrollen sistemas que no solo sean preciso.
University of Naples Federico II via Coursera

University of Naples Federico II

23 Cursos


La University of Naples Federico II è un prestigioso ateneo pubblico con una lunga storia di eccellenza nella ricerca, nell'insegnamento e nell'innovazione. Offre una vasta gamma di programmi accademici dal livello di laurea a quello di dottorato.

Not Specified

Optional upgrade avallable

All Levels

Progress at your own speed

Free

Optional upgrade avallable

Resumen

Machine Learning Explicable (XAI)

A medida que la Inteligencia Artificial (IA) se integra en dominios de alto riesgo como la salud, las finanzas y la justicia penal, es fundamental que aquellos responsables de construir estos sistemas piensen fuera de la caja negra y desarrollen sistemas que no solo sean precisos, sino también transparentes y confiables.

Este curso es una guía completa y práctica sobre el Machine Learning Explicable (XAI), que te capacita para desarrollar soluciones de IA alineadas con los principios de IA responsable. A través de discusiones, estudios de casos, laboratorios de programación y ejemplos del mundo real, adquirirás las siguientes habilidades:

  • Implementar técnicas locales de explicación como LIME, SHAP y gráficos ICE utilizando Python.
  • Implementar técnicas globales de explicación como los Gráficos de Dependencia Parcial (PDP) y gráficos de Efectos Locales Acumulados (ALE) en Python.
  • Aplicar técnicas de explicación basadas en ejemplos para explicar modelos de machine learning utilizando Python.
  • Visualizar y explicar modelos de redes neuronales utilizando técnicas SOTA en Python.
  • Evaluar críticamente métodos interpretable de atención y saliencia para explicaciones de modelos transformadores.
  • Explorar enfoques emergentes para la explicabilidad de los grandes modelos de lenguaje (LLM) y modelos generativos de visión por computadora.

Este curso es ideal para científicos de datos o ingenieros de machine learning que tengan un sólido conocimiento de machine learning pero que hayan tenido poca exposición a los conceptos de XAI.

Al dominar los enfoques de XAI, estarás equipado para crear soluciones de IA que no solo sean poderosas sino también interpretables, éticas y confiables, resolviendo desafíos críticos en dominios como la salud, las finanzas y la justicia penal.

Para tener éxito en este curso, deberías tener un entendimiento intermedio de conceptos de machine learning como el aprendizaje supervisado y las redes neuronales.

Universidad:

Universidad de Nápoles Federico II
Proveedor:

Coursera
Categorías:

Cursos de Machine Learning, Cursos de Redes Neuronales, Cursos de IA Explicable


Asignaturas

united states