Explainable AI (XAI)
A medida que la Inteligencia Artificial (IA) se integra en ámbitos de alto riesgo como la sanidad, las finanzas y la justicia penal, es fundamental que los
Certificado oficial emitido por la SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 144 h
12 unidades
Nivel principiante
Qué aprenderás
Lo que serás capaz de hacer
A medida que la Inteligencia Artificial (IA) se integra en ámbitos de alto riesgo como la sanidad, las finanzas y la justicia penal, es fundamental que los responsables de construir estos sistemas piensen más allá de la caja negra y desarrollen sistemas que no sólo sean precisos, sino también transparentes y fiables. Este curso proporciona una introducción exhaustiva a la IA explicable (XAI), que le permitirá desarrollar soluciones de IA que se ajusten a los principios de la IA responsable. A través de debates, estudios de caso y ejemplos del mundo real, adquirirá las siguientes habilidades 1. Definir la terminología y los conceptos clave de la XAI, como la interpretabilidad, la explicabilidad y la transparencia. 2. Evaluar diferentes enfoques interpretables y explicables, comprendiendo sus ventajas y desventajas y sus aplicaciones. 3. Integrar las explicaciones de la XAI en los procesos de toma de decisiones para mejorar la transparencia y la confianza. 4. Evaluar la solidez, la privacidad y las consideraciones éticas de los sistemas XAI para garantizar un desarrollo de IA responsable. Este curso es ideal para profesionales de IA, científicos de datos, ingenieros de aprendizaje automático, gestores de productos y cualquier persona involucrada en el desarrollo o la implementación de sistemas de IA. Al dominar XAI, estará equipado para crear soluciones de IA que no sólo sean potentes, sino también interpretables, éticas y fiables, resolviendo retos críticos en ámbitos como la sanidad, las finanzas y la justicia penal. Para tener éxito en este curso, debe tener experiencia en la creación de productos de IA y una comprensión básica de conceptos de aprendizaje automático como el aprendizaje supervisado y las redes neuronales. El curso cubrirá técnicas y aplicaciones de IA explicables sin detalles técnicos profundos.
- Definir la terminología clave de la IA explicable y sus relaciones entre sí
- Describir los enfoques interpretables y explicables más utilizados y sus ventajas y desventajas
- Evaluar las consideraciones para el desarrollo de sistemas XAI, incluido el enfoque de evaluación XAI, la solidez, la privacidad y la integración con la toma de decisiones
Habilidades que desarrollarás
Gobernanza
Respuesta a incidentes
Desarrollo de políticas
Gestión de riesgos
Marco de gestión de riesgos
Gestión de riesgos de proveedores
Seguridad en IA
Requisitos regulatorios
Monitoreo continuo
Inteligencia artificial
Auditoría de cumplimiento normativo
Entrenamiento de modelos
Marcos de rendición de cuentas
Controles de seguridad
Análisis
Ciencia de datos
Optimización de modelos
Analítica predictiva
Modelado predictivo
Programación en Python
Temario
UNIDAD 1 - Fundamentos de la IA explicable · 25 leccionesIA explicable para todos - UNIDAD 1 - Fundamentos de la IA explicable
UNIDAD 1 - Fundamentos de la IA explicable · 25 lecciones
IA explicable para todos - UNIDAD 1 - Fundamentos de la IA explicable
- Panorama de las Specializations
- Introducción al curso
- Programa del curso
- Términos y conceptos clave de la IA explicable
- El panorama actual de la IA
- Introducción a la IA explicable
- Interpretabilidad frente a transparencia frente a explicabilidad
- Taxonomía de la explicabilidad
- Práctica: Asignación de tipos de explicabilidad en un modelo de ejemplo
- Práctica: Interpretación de los resultados de la taxonomía de la explicabilidad
- IA explicable y centrada en las personas
- Prueba de conocimientos: Fundamentos de la IA explicable
- Interpretabilidad en regresión lineal y logística
- Árboles de decisión y modelos basados en reglas
- Práctica: Interpretación de coeficientes y decisiones en árboles de decisión
- Práctica: Análisis de reglas de decisión y conclusiones del modelo
- Limitaciones de los modelos intrínsecamente interpretables en aplicaciones del mundo real
- Comprobación de conocimientos: Modelos intrínsecamente interpretables
- Práctica: Creación de un modelo de aprendizaje automático interpretable
- Práctica: Exploración de la importancia de las características de referencia
- Correlación frente a causalidad en la importancia de las características
- Evaluación de conocimientos: Implementación de modelos interpretables
- Cómo sentar las bases de la IA explicable
- Resumen del módulo: Fundamentos de la IA explicable
- Evaluación de conocimientos: Fundamentos de la IA explicable
UNIDAD 2 - Técnicas de explicación a posteriori · 25 leccionesIA explicable para todos - UNIDAD 2 - Técnicas de explicación a posteriori
UNIDAD 2 - Técnicas de explicación a posteriori · 25 lecciones
IA explicable para todos - UNIDAD 2 - Técnicas de explicación a posteriori
- Explicabilidad post hoc
- Independiente del modelo frente a específico del modelo
- Práctica: Comparación entre explicaciones inherentes y post hoc
- Práctica: Análisis e interpretación de explicaciones post hoc
- Cómo las explicaciones a posteriori aproximan los modelos de «caja negra»
- Prueba de conocimientos: Comprensión de la explicabilidad post hoc
- Comprender la atribución de características mediante la importancia de permutación
- Estimación del efecto de las características con PDP e ICE
- Práctica: Implementación de la importancia de las permutaciones
- Práctica: Interpretación de los resultados de importancia de las permutaciones
- Práctica: Visualización de PDP e ICE
- Práctica: Cómo interpretar los datos de PDP e ICE
- Interacciones entre características en el aprendizaje automático
- Evaluación de conocimientos: Métodos de efecto de características globales
- LIME y los modelos sustitutivos locales
- Fundamentos de SHAP y del valor de Shapley
- Prueba práctica: LIME para predicciones individuales
- Práctica: Interpretación de las explicaciones de LIME
- Práctica: Visualización de valores en SHAP
- Práctica: Cómo interpretar los datos globales y locales de SHAP
- LIME frente a SHAP: diferencias en las explicaciones locales
- Prueba de conocimientos: Métodos post hoc locales
- Exploring Post-Hoc Model Explanation Methods
- Resumen del módulo: Técnicas de explicación post hoc
- Prueba de conocimientos: Técnicas de explicación post hoc
UNIDAD 3 - Confianza, sesgos y comunicación · 14 leccionesIA explicable para todos - UNIDAD 3 - Confianza, sesgos y comunicación
UNIDAD 3 - Confianza, sesgos y comunicación · 14 lecciones
IA explicable para todos - UNIDAD 3 - Confianza, sesgos y comunicación
- Fuentes de sesgo en los sistemas de aprendizaje automático
- La disyuntiva entre precisión e interpretabilidad
- Práctica: Detección de sesgos con Fairlearn
- Práctica: Evaluación e interpretación del sesgo de los modelos
- Equidad frente a precisión en el aprendizaje automático
- Evaluación de conocimientos: Fundamentos de la equidad y el sesgo
- Diseño de narrativas explicativas para las partes interesadas
- Práctica: Creación de informes explicativos
- Práctica: Mejora de los informes explicativos con la información de SHAP
- Equilibrio entre la sencillez y la precisión en los textos explicativos
- Evaluación de conocimientos: Cómo comunicar explicaciones
- Building Trust and Communicating Explainable AI Insights
- Resumen del módulo: Confianza, sesgos y comunicación
- Prueba de conocimientos: confianza, sesgos y comunicación
UNIDAD 4 - Resumen del curso y evaluaciones · 5 leccionesIA explicable para todos - UNIDAD 4 - Resumen del curso y evaluaciones
UNIDAD 4 - Resumen del curso y evaluaciones · 5 lecciones
IA explicable para todos - UNIDAD 4 - Resumen del curso y evaluaciones
- Proyecto práctico: Creación de un sistema completo de IA explicable para el análisis de FinTrust
- Guiding Someone Stuck with Explanation Outputs
- Evaluación final del curso: Fundamentos y explicabilidad CORE
- Diseño de sistemas de aprendizaje automático explicables y justos
- Resumen del curso
UNIDAD 5 - Atribución de características y modelización interpretable · 20 leccionesMétodos y evaluación de la explicabilidad - UNIDAD 5 - Atribución de características y modelización interpretable
UNIDAD 5 - Atribución de características y modelización interpretable · 20 lecciones
Métodos y evaluación de la explicabilidad - UNIDAD 5 - Atribución de características y modelización interpretable
- Introducción al curso
- Programa del curso
- Teoría de juegos cooperativos
- Valores Shapley
- Práctica: Cálculo manual del valor de Shapley
- Por qué es importante la atribución justa: interpretación de las contribuciones de las características en modelos del mundo real
- Prueba de conocimientos: Teoría de Shapley
- TreeSHAP y KernelSHAP
- Práctica: Comparación de variantes de SHAP
- Práctica: Valores de interacción de SHAP
- Retos de escalabilidad y rendimiento en las explicaciones basadas en SHAP
- Prueba de conocimientos: Métodos SHAP para la explicación de modelos
- Modelos sustitutivos globales y fidelidad
- Extracción de reglas a partir de modelos de caja negra
- Práctica: Entrenamiento y evaluación de un modelo sustituto
- Limitaciones y modos de fallo de los métodos de explicación
- Prueba de conocimientos: Explicaciones sustitutivas y basadas en reglas
- Reflecting on Feature Attribution and Model Interpretability
- Resumen del módulo: Atribución de características y modelización interpretable
- Evaluación de conocimientos: Atribución de características y modelización interpretable
UNIDAD 6 - Métodos contrafactuales y contrastivos · 18 leccionesMétodos y evaluación de la explicabilidad - UNIDAD 6 - Métodos contrafactuales y contrastivos
UNIDAD 6 - Métodos contrafactuales y contrastivos · 18 lecciones
Métodos y evaluación de la explicabilidad - UNIDAD 6 - Métodos contrafactuales y contrastivos
- Explicaciones contrafácticas
- Limitaciones en cuanto a la aplicabilidad y la viabilidad
- Práctica: Generación de explicaciones contrafactuales
- Diversidad en las explicaciones contrafactuales
- Evaluación de conocimientos: Fundamentos de las explicaciones contrafactuales
- Métricas de evaluación para los contrafactuales
- Robustez de las explicaciones contrafactuales
- Práctica: Validación y comparación de métodos contrafactuales
- Práctica: Aplicación de métricas de evaluación a los contrafactuales
- Evaluación comparativa de métodos de explicación contrafactual
- Evaluación de conocimientos: métricas para explicaciones contrafactuales
- Razonamiento contrastivo para las explicaciones de modelos
- Práctica: Implementación de explicaciones contrastivas
- Selección de elementos de contraste significativos en las explicaciones contrastivas
- Evaluación de conocimientos: Explicaciones contrastivas
- Analyzing Model Decisions Through Counterfactual and Contrastive Thinking
- Resumen del módulo: Métodos contrafactuales y contrastivos
- Prueba de conocimientos: Métodos contrafactuales y contrastivos
UNIDAD 7 - Evaluación de los métodos de explicación · 20 leccionesMétodos y evaluación de la explicabilidad - UNIDAD 7 - Evaluación de los métodos de explicación
UNIDAD 7 - Evaluación de los métodos de explicación · 20 lecciones
Métodos y evaluación de la explicabilidad - UNIDAD 7 - Evaluación de los métodos de explicación
- Fidelidad, lealtad y estabilidad en las explicaciones
- Métricas cuantitativas para la evaluación de la atribución
- Práctica: Pruebas de fidelidad mediante la eliminación de características
- Evaluación cualitativa de los métodos de explicación
- Comprobación de conocimientos: Criterios de evaluación de las explicaciones
- Sensibilidad de los métodos de atribución ante perturbaciones en los datos de entrada
- Manipulación adversaria de las explicaciones
- Práctica: Pruebas de robustez de SHAP y LIME
- Práctica: Evaluación de la robustez de LIME y análisis comparativo
- Dependencia de los métodos de explicación respecto al modelo
- Prueba de conocimientos: Robustez de las explicaciones
- Interpretabilidad humana y fidelidad matemática
- Diseño de estudios comparativos para métodos explicativos
- Mini proyecto: Evaluación comparativa de técnicas XAI
- Mini proyecto: Finalización de la evaluación de las técnicas de XAI
- Sesgos cognitivos en la interpretación de las explicaciones de la IA
- Evaluación humana de las explicaciones
- Assessing Explanation Quality: Fidelity, Robustness, and Human Factors
- Resumen del módulo: Evaluación de los métodos de explicación
- Evaluación de conocimientos: Evaluación de los métodos de explicación
UNIDAD 8 - Resumen del curso y evaluaciones · 5 leccionesMétodos y evaluación de la explicabilidad - UNIDAD 8 - Resumen del curso y evaluaciones
UNIDAD 8 - Resumen del curso y evaluaciones · 5 lecciones
Métodos y evaluación de la explicabilidad - UNIDAD 8 - Resumen del curso y evaluaciones
- Proyecto práctico: Diseño y evaluación de un marco de IA explicable para el análisis de FinTrust
- Guiding Interpretation of Model Explanations
- Evaluación final del curso: Explicabilidad y evaluación
- Diseño de sistemas de IA explicables, robustos e interpretables
- Resumen del curso
UNIDAD 9 - Marcos globales y estrategia reguladora · 17 leccionesGobernanza y regulación de la IA - UNIDAD 9 - Marcos globales y estrategia reguladora
UNIDAD 9 - Marcos globales y estrategia reguladora · 17 lecciones
Gobernanza y regulación de la IA - UNIDAD 9 - Marcos globales y estrategia reguladora
- Introducción al curso: Gobernanza y regulación de la IA
- Programa del curso: Gobernanza y regulación de la IA
- Fundamentos de la gobernanza de la IA
- La Trinidad: ética, cumplimiento normativo y gobernanza
- Partes interesadas en la gobernanza de la IA y arquitectura de funciones
- Asignación de funciones de gobernanza mediante el marco RACI
- Fundamentos de la gobernanza de la IA: funciones, responsabilidades y estructuras
- Prueba de conocimientos: Fundamentos de la gobernanza de la IA
- Ley de la UE sobre la IA: niveles de riesgo y aspectos fundamentales del cumplimiento normativo
- Ciclo de vida del Marco de Gestión de Riesgos de la IA del NIST: gobernanza, correspondencia, medición y gestión
- Gobernanza global de la IA: la norma ISO 42001 y los marcos internacionales
- Clasificación de los riesgos normativos relacionados con la IA según la lógica de la Ley de la UE sobre la IA
- Evaluación de la cobertura y análisis de deficiencias del Marco de Gestión de Riesgos (RMF) del NIST en materia de IA
- Prueba de conocimientos: Inteligencia normativa y marcos globales
- Fundamentos de la gobernanza de la IA y los marcos normativos
- Resumen del módulo: Marcos globales y estrategia reguladora
- Evaluación de conocimientos: Marcos globales y estrategia reguladora
UNIDAD 10 - Puesta en práctica del ciclo de vida del riesgo y las políticas · 16 leccionesGobernanza y regulación de la IA - UNIDAD 10 - Puesta en práctica del ciclo de vida del riesgo y las políticas
UNIDAD 10 - Puesta en práctica del ciclo de vida del riesgo y las políticas · 16 lecciones
Gobernanza y regulación de la IA - UNIDAD 10 - Puesta en práctica del ciclo de vida del riesgo y las políticas
- Modelos de madurez en materia de gobernanza de la IA
- Elaboración de políticas de uso de la IA
- Riesgos relacionados con los proveedores de IA y la cadena de suministro
- El linaje y la procedencia de los datos en la IA
- Herramienta de verificación del cumplimiento de las políticas de IA
- Guía sobre la estructura de gobernanza de la IA y el diseño de políticas
- Madurez, política y cadena de suministro
- Gobernanza del ciclo de vida de la IA e inventario de sistemas
- Registro de riesgos de la empresa y marco de control
- Evaluación del impacto de los algoritmos y supervisión
- Registro de riesgos de IA y análisis de mapas de calor
- Herramienta de puntuación para la evaluación del impacto de los algoritmos (AIA)
- Gobernanza del ciclo de vida de la IA y registro de riesgos
- Equilibrio entre la protección de la privacidad, la seguridad y el rendimiento de la IA
- Resumen: Puesta en práctica del ciclo de vida del riesgo y las políticas
- Evaluación de conocimientos: Puesta en práctica del riesgo y el ciclo de vida de las políticas
UNIDAD 11 - Garantía técnica, supervisión y gestión de crisis · 17 leccionesGobernanza y regulación de la IA - UNIDAD 11 - Garantía técnica, supervisión y gestión de crisis
UNIDAD 11 - Garantía técnica, supervisión y gestión de crisis · 17 lecciones
Gobernanza y regulación de la IA - UNIDAD 11 - Garantía técnica, supervisión y gestión de crisis
- Supervisión continua de los sistemas de inteligencia artificial
- Auditoría de IA y evaluación de la conformidad
- Supervisión humana en la gobernanza de la IA
- Control automatizado de la garantía y la gobernanza
- Cuadro de mando de supervisión del estado de la gobernanza de la IA
- Garantía, auditoría y supervisión humana
- Gobernanza de la IA generativa: marco de riesgos y controles
- La protección de datos en la IA: el RGPD, la DPDP y el cumplimiento normativo
- El «Red Teaming» con IA en la gobernanza y la evaluación de riesgos
- Pruebas de «Red Team» con IA y evaluación de riesgos
- Respuesta ante incidentes relacionados con la IA y medidas correctivas
- Herramientas de gobernanza de la IA: panorama de plataformas y supervisión
- Gobernanza unificada de la IA e integración de GRC empresarial
- Riesgos emergentes, simulacros de ataque y respuesta ante incidentes
- Garantizar la confianza mediante la supervisión, el control y la gestión de riesgos con inteligencia artificial
- Resumen del módulo: Garantía técnica, supervisión y gestión de crisis
- Evaluación de conocimientos: garantía técnica, supervisión y gestión de crisis
UNIDAD 12 - Resumen del curso y evaluaciones · 5 leccionesGobernanza y regulación de la IA - UNIDAD 12 - Resumen del curso y evaluaciones
UNIDAD 12 - Resumen del curso y evaluaciones · 5 lecciones
Gobernanza y regulación de la IA - UNIDAD 12 - Resumen del curso y evaluaciones
- Proyecto práctico: Simulación de la gestión de riesgos y la supervisión en materia de gobernanza de la IA
- Simulación de la gobernanza de la IA empresarial: diseño, gestión y defensa de sistemas de IA responsables
- Evaluación final del curso: Gobernanza y regulación de la IA
- Estrategia de diseño e implementación del marco de gobernanza de la IA
- Resumen del curso: Gobernanza y regulación de la IA
Certificado oficial
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Cómo funciona
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
12 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
38 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Edureka.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 12 unidades · 187 lecciones · 144 h
- 12 meses de acceso
- 38 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Edureka; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
