Guided Backpropagation y Saliency Maps para la interpretabilidad del Deep Learning

Los modelos de deep learning suelen ser criticados por ser cajas negras, lo que dificulta confiar en sus decisiones. Las saliency maps resuelven esto destacando exactamente en qué píxeles se enfoca un clasificador de imágenes para hacer una predicción. Al aprender a visualizar estas decisiones, podrás depurar tus modelos, generar confianza con las partes interesadas y asegurarte de que tus redes neuronales estén aprendiendo las características correctas. En este curso, aprenderás cómo desmitificar las decisiones de las redes neuronales. Comenzarás con los conceptos fundamentales de interpretabilidad de modelos, para luego escribir código limpio en Python para implementar guided backpropagation, manejar activaciones ReLU y utilizar marcos de interpretabilidad modernos para explicar tus modelos. Lo que aprenderás: - Comprender los principios fundamentales de la interpretabilidad de redes neuronales y el mapeo de saliencia (saliency mapping). - Implementar backpropagation desde cero para calcular gradientes con respecto a las imágenes de entrada. - Dominar la mecánica de guided backpropagation suprimiendo los gradientes negativos en las activaciones ReLU. - Comparar guided backpropagation con métodos de atribución modernos como Grad-CAM. - Utilizar librerías de interpretabilidad populares como Captum en PyTorch para evaluar las decisiones del modelo. - Depurar y analizar las predicciones del clasificador de imágenes a través de ejemplos de código claros y guiados por texto. El curso comienza con la terminología esencial y la intuición matemática detrás de los gradientes, antes de guiarte paso a paso a través de la modificación personalizada de gradientes y flujos de trabajo prácticos de interpretabilidad. Este curso basado solo en texto está diseñado para principiantes en machine learning y visión por computadora que tienen un conocimiento básico de Python; no se requiere experiencia avanzada en deep learning. Comienza a leer hoy para hacer que tus modelos de deep learning sean transparentes y confiables.