Cuatro principios para una buena explicabilidad de los algoritmos
En este post se explican y valoran cuatro principios para una buena explicabilidad algorítmica con base en dos fuentes diferentes pero convergentes.
Inteligencia Artificial: machine learning, deep learning, redes neuronales, sistemas expertos, algoritmos genéticos
En este post se explican y valoran cuatro principios para una buena explicabilidad algorítmica con base en dos fuentes diferentes pero convergentes.
En este post se aportan tres ideas y un cuasi decálogo de buenas prácticas para evitar el sesgo algorítmico en el campo del machine learning.
En este post hablo de sesgos (‘bias’) e imparcialidad (‘fairness’) en inteligencia artificial y comento seis criterios de imparcialidad.
Un artículo para comentar la importancia de la escala y opciones en aprendizaje, usando como base El ajedrez y el aprendizaje de los algoritmos.
En este post se explica que cerebro y redes neuronales no funcionan de la misma manera y se aportan algunos razonamiento y síntomas de ello.
Suelo, en muchos de los posts que dedico a inteligencia artificial intentar desmontar mitos y fantasías que la rodean, intentar explicar de forma realista el funcionamiento y lo que cabe esperar de este tipo de soluciones, y destacar su carácter científico-técnico y la necesidad de rigor. Y no voy a hacer algo diferente en este…
Un post apasionado y personal en que hablo de los Ingenieros y la ética de la inteligencia artificial denunciando estrreotipos injustos que puedo observar.
Este artículo ofrece dos Perspectivas de la explicabilidad de la inteligencia artificial, con base en un artículo de Miller et. al y valora lo ahí aportado.
En este post nos preguntamos el por qué del machine learning, por qué queremos que una máquina aprenda. Y hay dos muy buenas razones.
Un breve post que propone y explica una definición muy sencilla de aprendizaje válida tanto para humanos como para machine learning.