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

Introducción al Aprendizaje Automático Aplicado

• Aprendizaje estadístico frente al aprendizaje automático
• Iteración y evaluación
• Compensación sesgo-varianza
• Aprendizaje supervisado frente a no supervisado
• Problemas resueltos con Aprendizaje Automático
• Entrenar, Validar, Probar – flujo de trabajo de ML para evitar el 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: ME, MSE, RMSE, MAPE
  • Estabilidad de parámetros y predicciones
• Evaluación de algoritmos de clasificación
  • Precisión y sus problemas
  • La matriz de confusión
  • Problema de clases desbalanceadas
• Visualización del rendimiento del modelo
  • Curva de beneficio
  • Curva ROC
  • Curva de levantamiento
• Selección de modelos
• Ajuste de modelos – estrategias de búsqueda en cuadrícula

Preparación de Datos para Modelado

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

Algoritmos de aprendizaje automático para detección de valores atípicos

• Algoritmos supervisados
  • KNN
  • Gradient Boosting de Ensambles
  • 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
• Diferenciar 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 frente a Modelos de Regresión
• Comprensión de los fundamentos matemáticos y los mecanismos de aprendizaje
• Construcción de una Red Neural 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 aprendizaje supervisado y no supervisado
• Aprendizaje de redes neuronales de propagación hacia adelante y retroalimentación
• Comprensión de la propagación hacia adelante y la retropropagación

Construcción de Modelos Sencillos 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 datos de clasificación
• Trabajo con modelos de clasificación
• Uso de sus modelos

Trabajo con TensorFlow para el 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 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
• Evaluación del modelo
  • Construcción del grafo de evaluación
  • Evaluación con salida de evaluación
• 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

• Combinación de resultados de diferentes métodos
• Agregación por Bootstrap
• Promediado de la puntuación de atípicos