Machine Learning Interpretable: SHAP, PDP y permutacion

Offert par
Coursera Project Network
Dans ce Projet Guidé, vous :

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
IntermediateIntermédiaire
CloudAucun téléchargement requis
VideoVidéo en écran partagé
Comment DotsEspagnol
LaptopOrdinateur de bureau uniquement

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.

Les compétences que vous développerez

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

Apprendrez étape par étape

Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :

  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

Comment fonctionnent les Projets Guidés

Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.

Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé

Foire Aux Questions

Foire Aux Questions

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.