Programa do Curso

Introdução ao Explainable AI (XAI) e Transparência de Modelos

  • O que é Explainable AI?
  • Por que a transparência importa nos sistemas de IA
  • Interpretabilidade versus desempenho em modelos de IA

Visão Geral das Técnicas XAI

  • Métodos independentes do modelo: SHAP, LIME
  • Técnicas específicas de explicação de modelos
  • Explicando redes neurais e modelos de aprendizado profundo

Construindo Modelos Transparentes de IA

  • Implementar modelos interpretáveis na prática
  • Comparação entre modelos transparentes e modelos de caixa preta
  • Equilibrando complexidade com explicabilidade

Ferramentas e Bibliotecas Avançadas XAI

  • Usando SHAP para interpretação de modelos
  • Utilizando LIME para explicabilidade local
  • Visualização das decisões e comportamentos dos modelos

Abordagem à Justiça, Viés e IA Ética

  • Identificando e mitigando vieses em modelos de IA
  • Justiça na IA e seus impactos sociais
  • Garantindo responsabilidade e ética no deploy da IA

Aplicações Reais do XAI

  • Estudos de caso na saúde, finanças e governo
  • Interpretação de modelos de IA para conformidade regulatória
  • Construindo confiança com sistemas de IA transparentes

Direções Futuras no Explainable AI

  • Pesquisas emergentes em XAI
  • Desafios na escalação do XAI para sistemas de grande porte
  • Oportunidades para o futuro da IA transparente

Resumo e Próximos Passos

Requisitos

  • Experiência em aprendizado de máquina e desenvolvimento de modelos de IA
  • Familiaridade com programação Python

Público-alvo

  • Cientistas de dados
  • Engenheiros de aprendizado de máquina
  • Especialistas em IA
 21 Horas

Número de participantes


Preço por Participante

Próximas Formações Provisórias

Categorias Relacionadas