Machine Learning Interpretable: SHAP, PDP y permutacion

von
Coursera Project Network
In diesem angeleitetes Projekt werden Sie:

Conocer los fundamentos de la interpretabilidad de modelos

Aplicar librerías para la interpretabilidad de modelos como: SHAP, Partial Dependence Plot y Permutation importance

Desarrollar modelos interpretables de Random Forest, LightGBM, etc

Clock2 horas
IntermediateMittel
CloudKein Download erforderlich
VideoVideo auf geteiltem Bildschirm
Comment DotsSpanisch
LaptopNur Desktop

Este proyecto es un curso práctico y efectivo para aprender a generar modelos de Machine Learning interpretables. Se explican en profundidad diferentes técnicas de interpretabilidad de modelos como: SHAP, Partial Dependence Plot, Permutation importance, etc que nos permitirá entender el porqué de las predicciones. Gracias a esto, aprenderás a entrenar modelos Glassbox que puedas entender el porqué de sus decisiones.

Kompetenzen, die Sie erwerben werden

  • Python Programming
  • SHAP
  • Machine Learning Interpretability
  • MAchine Learning interpretable

Schritt für Schritt lernen

In einem Video, das auf einer Hälfte Ihres Arbeitsbereichs abgespielt wird, führt Sie Ihr Dozent durch diese Schritte:

  1. Introducción a la interpretabilidad de modelos en Machine Learning

  2. Desarrollo del modelo de Machine Learning

  3. Importancia de las variables: Permutation Importance

  4. Efecto de las variables: Partial Dependence Plots

  5. Entendiendo las predicciones individuales: SHAP

  6. SHAP con LightGBM

Ablauf angeleiteter Projekte

Ihr Arbeitsbereich ist ein Cloud-Desktop direkt in Ihrem Browser, kein Download erforderlich

Ihr Dozent leitet Sie in einem Video mit geteiltem Bildschirm Schritt für Schritt an.

Häufig gestellte Fragen

Häufig gestellte Fragen

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.