What You Need to Know Before
You Start

Starts 4 June 2025 18:38

Ends 4 June 2025

00 days
00 hours
00 minutes
00 seconds
course image

Ciencia de Datos Verídica hacia una IA Confiable

Explore los principios de la ciencia de datos verídica y su papel en el desarrollo de sistemas de IA confiables con Bin Yu de UC Berkeley.
Simons Institute via YouTube

Simons Institute

2458 Cursos


50 minutes

Optional upgrade avallable

Not Specified

Progress at your own speed

Free Video

Optional upgrade avallable

Resumen

Explore los principios de la ciencia de datos verídica y su papel en el desarrollo de sistemas de IA confiables con Bin Yu de UC Berkeley.

Programa de estudio

  • Introducción a la Ciencia de Datos Verdadera
  • Definición y Principios de la Ciencia de Datos Verdadera
    Importancia en IA y Aprendizaje Automático
    Panorama del Pensamiento Estadístico en la Ciencia de Datos Verdadera
  • Fundamentos de la IA Confiable
  • Características de los Sistemas de IA Confiables
    Desafíos en la Construcción de IA Confiable
    Aplicaciones y Estudios de Caso en el Mundo Real
  • Calidad y Fiabilidad de los Datos
  • Recolección y Preprocesamiento de Datos
    Evaluación de la Calidad de los Datos: Métricas y Métodos
    Técnicas para Asegurar la Fiabilidad de los Datos
  • Transparencia y Explicabilidad del Modelo
  • Importancia de la Interpretabilidad del Modelo
    Técnicas para la Interpretabilidad: LIME, SHAP, etc.
    Equilibrando Complejidad y Transparencia
  • Equidad y Sesgo en IA
  • Identificación del Sesgo en Modelos de IA
    Estrategias para Mitigar el Sesgo
    Consideraciones Éticas en el Desarrollo de IA
  • Robustez y Estadísticas Robustas
  • Definición e Importancia de la Robustez en IA
    Técnicas para Construir Modelos Robustos
    Evaluación de la Robustez: Pruebas de Estrés y Ejemplos Adversos
  • Reproducibilidad en Ciencia de Datos
  • Importancia de la Reproducibilidad en la Investigación
    Mejores Prácticas para Flujos de Trabajo Reproducibles
    Herramientas y Marcos para la Reproducibilidad
  • Seguridad e Integridad de la IA
  • Identificación de Riesgos de Seguridad en Sistemas de IA
    Técnicas para Construir Modelos de IA Seguros
    Estrategias de Respuesta ante Fallas de IA
  • Evaluación y Validación de Sistemas de IA
  • Marcos para Evaluar el Desempeño de la IA
    Técnicas de Validación: Validación Cruzada, Pruebas A/B
    Monitoreo Continuo y Sistemas de Retroalimentación
  • Direcciones Futuras para la Ciencia de Datos Verdadera
  • Innovaciones en Técnicas de IA Confiables
    El Papel de la Política y la Regulación
    Imaginando el Futuro de la Ciencia de Datos Verdadera y la IA
  • Conclusión del Curso y Proyecto Final
  • Revisión de Conceptos y Ideas Clave
    Proyecto Final: Diseñando un Sistema de IA Confiable
    Discusión de Implementaciones en el Mundo Real y Aplicaciones Profesionales

Asignaturas

Ciencias de la Computación