Programa do Curso

Introdução às Técnicas Avançadas de XAI

  • Revisão dos métodos básicos de XAI
  • Desafios na interpretação de modelos AI complexos
  • Tendências em pesquisa e desenvolvimento de XAI

Técnicas de Explicabilidade Modelo-Agnóstico

  • SHAP (SHapley Additive exPlanations)
  • LIME (Local Interpretable Model-agnostic Explanations)
  • Explicações de âncoras

Técnicas de Explicabilidade Específicas ao Modelo

  • Propagação da relevância por camadas (LRP)
  • DeepLIFT (Deep Learning Important FeaTures)
  • Métodos baseados em gradientes (Grad-CAM, Gradients Integrados)

Explicando Modelos de Aprendizado Profundo

  • Interpretação de redes neurais convolucionais (CNNs)
  • Explicações de redes neurais recorrentes (RNNs)
  • Análise de modelos baseados em transformers (BERT, GPT)

Lidando com Desafios na Interpretabilidade

  • Enfrentando limitações dos modelos black-box
  • Balanceando precisão e interpretabilidade
  • Lidando com viés e equidade nas explicações

Aplicações de XAI em Sistemas do Mundo Real

  • XAI na saúde, finanças e sistemas legais
  • Regulamentação da IA e requisitos de conformidade
  • Construindo confiança e responsabilidade através do XAI

Tendências Futuras na IA Explicável

  • Técnicas e ferramentas emergentes em XAI
  • Modelos de explicabilidade da próxima geração
  • Oportunidades e desafios na transparência AI

Resumo e Próximos Passos

Requisitos

  • Comprensão sólida de IA e aprendizado de máquina
  • Experiência com redes neurais e aprendizagem profunda
  • Familiaridade com técnicas básicas de XAI

Público-alvo

  • Pesquisadores experientes em IA
  • Engenheiros de aprendizado de máquina
 21 Horas

Número de participantes


Preço por Participante

Próximas Formações Provisórias

Categorias Relacionadas