MMLLAEIML
3
24 HORAS
Al finalizar el curso, los estudiantes serán capaces de analizar, interpretar, evaluar y diseñar sistemas de aprendizaje automático que integren principios de equidad, utilizando herramientas de auditoría, métricas de equidad, métodos de interpretabilidad y técnicas de mitigación de sesgos en modelos de clasificación y modelos generativos de lenguaje.
Introducción a la equidad algorítmica
Modelos de clasificación y evaluación de sesgos
Interpretabilidad y explicabilidad en Machine Learning
Mitigación del sesgo en clasificación
Modelos generativos de lenguaje (LLMs) y sesgo
Barrocas, S., Hardt, M., & Narayanan, A. (2023). Fairness and machine learning: Limitations and opportunities. MIT Press. https://fairmlbook.org/index.html
Molnar, C. (2025). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. https://christophm.github.io/interpretable-ml-book/
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), pp. 1-35. ACM. https://doi.org/10.1145/3457607
Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. In Proceedings of the 2019 ACM Conference on Fairness, Accountability, and Transparency (pp. 220–229). ACM. https://doi.org/10.1145/3287560.3287596
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM. https://doi.org/10.1145/3442188.3445922
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. In Nature Machine Intelligence 1 (pp. 206-215). https://doi.org/10.1038/s42256-019-0048-x
Barrocas, S., Hardt, M., & Narayanan, A. (2023). Fairness and machine learning: Limitations and opportunities. MIT Press. https://fairmlbook.org/index.html
Molnar, C. (2025). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. https://christophm.github.io/interpretable-ml-book/
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), pp. 1-35. ACM. https://doi.org/10.1145/3457607
Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. In Proceedings of the 2019 ACM Conference on Fairness, Accountability, and Transparency (pp. 220–229). ACM. https://doi.org/10.1145/3287560.3287596
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM. https://doi.org/10.1145/3442188.3445922
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. In Nature Machine Intelligence 1 (pp. 206-215). https://doi.org/10.1038/s42256-019-0048-x
Andrés Abeliuk
Beauchef #851, Edificio Poniente, segundo piso, oficinas 210-214. Santiago
Educación Continua del Departamento de Ciencias de la Computación se reserva el derecho de suspender la realización del programa si no cuenta con el mínimo de participantes. Al inscribirte aceptas nuestros reglamentos, términos y condiciones.
Departamento de Ciencias de la Computación
Facultad de Ciencias Físicas y Matemáticas
Universidad de Chile
Beauchef 851, Edificio Norte, Tercer Piso
contacto@dcc.uchile.cl
Santiago, Chile. C.P. 837-0456
+562 2978 0652
contacto@dcc.uchile.cl
