IA explicable para profesionales

La mayoría de los libros de aprendizaje automático de nivel intermedio se centran en cómo optimizar los modelos aumentando la precisión o disminuyendo el error de predicción. Pero este enfoque a menudo pasa por alto la importancia de comprender por qué y cómo tu modelo de ML hace las predicciones que hace.

Los métodos de explicabilidad proporcionan un conjunto de herramientas esenciales para comprender mejor el comportamiento de los modelos, y esta guía práctica reúne las mejores técnicas de su clase para la explicabilidad de los modelos. Los ingenieros experimentados en aprendizaje automático y los científicos de datos aprenderán de forma práctica cómo funcionan estas técnicas para que puedas aplicar estas herramientas más fácilmente en tu flujo de trabajo diario.

Este libro esencial proporciona:

• Una visión detallada de algunas de las técnicas de explicabilidad más útiles y utilizadas, destacando los pros y los contras para ayudarte a elegir la mejor herramienta para tus necesidades
• Consejos y mejores prácticas para aplicar estas técnicas
• Una guía para interactuar con la explicabilidad y cómo evitar los errores más comunes
• Los conocimientos que necesitas para incorporar la explicabilidad a tu flujo de trabajo de ML para ayudar a crear sistemas de ML más sólidos
• Consejos sobre técnicas de IA explicable, incluido cómo aplicar técnicas a modelos que consumen datos tabulares, de imágenes o de texto
• Ejemplos de código de implementación en Python utilizando conocidas bibliotecas de explicabilidad para modelos construidos en Keras y TensorFlow 2.0, PyTorch y HuggingFace