Machine Learning Interpretable: SHAP, PDP y permutacion

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.