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

Introducción al Aprendizaje Automático Aplicado

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

Evaluación de Algoritmos

• Evaluación de predicciones numéricas
  • Medidas de precisión: EM, ECM, 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

Preparación de datos para Modelado

• Importación y almacenamiento de datos
• Comprensión de 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 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

• Visión general de los conceptos básicos del Aprendizaje Profundo
• Diferenciación entre Aprendizaje Automático y Aprendizaje Profundo
• Visión general de las aplicaciones del Aprendizaje Profundo

Visión General de las Redes Neuronales

• ¿Qué son las Redes Neuronales?
• Redes Neuronales vs. Modelos de Regresión
• Comprensión de los fundamentos matemáticos y mecanismos de aprendizaje
• Construcción de una Red Neuronal Artificial
• Comprensión de los nodos neuronales y conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de las Perceptrones de Capa Simple
• Diferencias entre Aprendizaje Supervisado y No Supervisado
• Aprendizaje de Redes Neuronales Feedforward y de Retroalimentación
• Comprensión de la Propagación Hacia Adelante y la Retropropagación

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 de su Modelo
• Trabajo con sus Datos de Clasificación
• Trabajo con Modelos de Clasificación
• Uso 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
  • Escalado de Entradas
  • Uso de Marcadores (Placeholders) y Variables
• Especificación de la Arquitectura de la Red
• Uso de la Función de Costo
• 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 (Reconstruction loss)
• Autoencoder Variacional
  • Inferencia variacional
• Red Generativa Adversarial (GAN)
  • Arquitectura Generador – Discriminador
  • Enfoques para AN usando GAN

Marcos de Ensamble (Ensemble Frameworks)

• Combinación de resultados de diferentes métodos
• Agregación por Bootstrap (Bootstrap Aggregating)
• Promedio de la puntuación de outliers