Qué necesitas saber antes de
comenzar

Inicio 4 June 2026 16:28

Fin 4 June 2026

00 Días
00 Horas
00 Minutos
00 Segundos
course image

Mejores Prácticas de Visualización para la IA Explicable

Explore técnicas de visualización de aprendizaje automático para la inteligencia artificial explicable en diversas industrias, abarcando la comprensión de modelos, el análisis de datos y la evaluación del rendimiento utilizando Jupyter, Python y Power BI.
PASS Data Community Summit via YouTube

PASS Data Community Summit

6076 Cursos


58 minutes

Actualización opcional disponible

Not Specified

Avanza a tu propio ritmo

Conference Talk

Actualización opcional disponible

Resumen

Explore machine learning visualization techniques for explainable AI across industries, covering model understanding, data analysis, and performance evaluation using Jupyter, Python, and Power BI.

Programa

  • Introducción a la IA explicable (XAI)
  • Panorama de la IA explicable y su importancia
    Objetivos clave y desafíos de XAI
    Casos de uso en diversas industrias
  • Herramientas para la visualización en IA
  • Introducción a Jupyter Notebooks
    Uso de bibliotecas de Python (Matplotlib, Seaborn, Plotly)
    Descripción general de Power BI para la visualización de datos
  • Técnicas de visualización para la comprensión de modelos
  • Visualización de límites de decisión
    Importancia de características y gráficos de dependencia parcial
    SHAP y LIME para la interpretabilidad de modelos
  • Análisis de datos para IA explicable
  • Estadísticas descriptivas y perspectivas
    Matrices de correlación y mapas de calor
    Técnicas de reducción dimensional (PCA, t-SNE)
  • Evaluación del rendimiento del modelo
  • Matrices de confusión e informes de clasificación
    Curvas ROC y AUC
    Visualización del rendimiento del modelo a lo largo del tiempo
  • Estudios de caso y aplicaciones
  • Visualización en IA para el cuidado de la salud: explicando modelos para datos de pacientes
    Casos de uso en la industria financiera: transparencia del modelo en la evaluación crediticia
    IA explicable para sistemas autónomos
  • Consideraciones éticas y mejores prácticas
  • Asegurar la transparencia y equidad en los modelos de IA
    Evitar trampas y sesgos en la visualización
    Comunicación efectiva de resultados de IA a las partes interesadas
  • Proyecto práctico y talleres
  • Proyecto guiado utilizando Jupyter y Python para XAI
    Creación de paneles e informes con Power BI
    Revisiones por pares y ejercicios colaborativos
  • Resumen y tendencias futuras
  • Recapitulación de conceptos y herramientas clave
    Tendencias emergentes en visualización e interpretabilidad de la IA
    Recursos para el aprendizaje y desarrollo continuos

Materias

Conference Talks