Fundamentos de la Inteligencia Artificial (IA) y el Aprendizaje Automático

Introducción al Aprendizaje Automático Aplicado

• Aprendizaje estadístico vs. Aprendizaje automático
• Iteración y evaluación
• Compromiso sesgo-varianza (Bias-Variance trade-off)
• Aprendizaje supervisado vs. no supervisado
• Problemas resueltos con Aprendizaje Automático
• Entrenamiento, Validación, Prueba – Flujo de trabajo de ML para evitar el sobreajuste (overfitting)
• Flujo de trabajo del Aprendizaje Automático
• Algoritmos de aprendizaje automático
• Selección del algoritmo adecuado para el problema

Evaluación de Algoritmos

• Evaluación de predicciones numéricas
  • Medidas de precisión: ME, MSE, RMSE, MAPE
  • Estabilidad de parámetros y predicciones
• Evaluación de algoritmos de clasificación
  • Precisión y sus limitaciones
  • La matriz de confusión
  • Problema de clases desbalanceadas
• Visualización del rendimiento del modelo
  • Curva de ganancia (Profit curve)
  • Curva ROC
  • Curva de elevación (Lift curve)
• Selección de modelos
• Ajuste de modelos – Estrategias de búsqueda en cuadrícula (grid search)

Preparación de Datos para Modelado

• Importación y almacenamiento de datos
• Entender los datos – Exploraciones básicas
• Manipulación de datos con la biblioteca pandas
• Transformaciones de datos – Limpieza de datos (Data wrangling)
• Análisis exploratorio
• Observaciones faltantes – Detección y soluciones
• Valores atípicos (Outliers) – Detección y estrategias
• Estandarización, normalización, binarización
• Recodificación de datos cualitativos

Algoritmos de aprendizaje automático para la detección de valores atípicos

• Algoritmos supervisados
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Algoritmos no supervisados
  • Basados en distancia
  • Métodos basados en densidad
  • Métodos probabilísticos
  • Métodos basados en modelos

Comprensión del Aprendizaje Profundo

• Descripción general de los conceptos básicos del aprendizaje profundo
• Diferenciación entre Aprendizaje Automático y Aprendizaje Profundo
• Descripción general de las aplicaciones del aprendizaje profundo

Descripción general de las Redes Neuronales

• ¿Qué son las Redes Neuronales?
• Redes Neuronales vs. Modelos de Regresión
• Comprensión de los fundamentos matemáticos y los mecanismos de aprendizaje
• Construcción de una Red Neuronal Artificial
• Comprensión de los nodos neuronales y las conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de los perceptrones de capa única
• Diferencias entre el aprendizaje supervisado y el no supervisado
• Aprendizaje de redes neuronales feedforward y feedback
• Comprensión de la propagación hacia adelante y hacia atrás (Forward y Back Propagation)

Construcción de Modelos Simples de Aprendizaje Profundo con Keras

• Creación de un modelo Keras
• Comprensión de sus datos
• Especificación de su modelo de aprendizaje profundo
• Compilación de su modelo
• Ajuste (Fitting) de su modelo
• Trabajo con datos de clasificación
• Trabajo con modelos de clasificación
• Utilización de sus modelos

Trabajo con TensorFlow para Aprendizaje Profundo

• Preparación de los datos
  • Descarga de los datos
  • Preparación de datos de entrenamiento
  • Preparación de datos de prueba
  • Escalamiento de entradas
  • Uso de marcadores de posición (placeholders) y variables
• Especificación de la arquitectura de la red
• Uso de la función de coste
• Uso del optimizador
• Uso de inicializadores
• Ajuste de la red neuronal
• Construcción del grafo
  • Inferencia
  • Pérdida (Loss)
  • Entrenamiento
• Entrenamiento del modelo
  • El grafo
  • La sesión
  • Bucle de entrenamiento (Train Loop)
• Evaluación del modelo
  • Construcción del grafo de evaluación
  • Evaluación con salida de evaluación (Eval Output)
• Entrenamiento de modelos a gran escala
• Visualización y evaluación de modelos con TensorBoard

Aplicación del Aprendizaje Profundo en la Detección de Anomalías

• Autoencoder
  • Arquitectura Codificador-Decodificador
  • Pérdida de reconstrucción
• Autoencoder Variacional
  • Inferencia variacional
• Red Generativa Adversarial
  • Arquitectura Generador-Discriminador
  • Enfoques para la detección de anomalías (AN) usando GAN

Marcos de Ensamble (Ensemble Frameworks)

• Combinación de resultados de diferentes métodos
• Agregación Bootstrap (Bootstrap Aggregating)
• Promediación de la puntuación de valores atípicos