Fundamentos de Inteligencia Artificial (IA) y Machine Learning

Introducción al Machine Learning Aplicado

• Aprendizaje estadístico vs. Machine Learning
• Iteración y evaluación
• Compromiso sesgo-varianza (Bias-Variance trade-off)
• Aprendizaje supervisado vs. no supervisado
• Problemas resueltos con Machine Learning
• Entrenamiento, Validación y Prueba: flujo de trabajo de ML para evitar el sobreajuste (overfitting)
• Flujo de trabajo de Machine Learning
• Algoritmos de Machine Learning
• 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 (Profit curve)
  • Curva ROC
  • Curva de Lift
• Selección de modelos
• Ajuste de modelos: estrategias de búsqueda en cuadrícula (grid search)

Preparación de datos para la modelación

• Importación y almacenamiento de datos
• Comprensión de los datos: exploración básica
• Manipulación de datos con la librería pandas
• Transformaciones de datos: preparación 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 Machine Learning 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 Deep Learning

• Visión general de los conceptos básicos del Deep Learning
• Diferenciación entre Machine Learning y Deep Learning
• Visión general de las aplicaciones del Deep Learning

Visión general de 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 nodos neuronales y conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de las Perceptronas de Capa Única
• Diferencias entre Aprendizaje Supervisado y No Supervisado
• Aprendizaje de Redes Neuronales Feedforward y de Retroalimentación
• Comprensión de la Propagación hacia Adelante (Forward Propagation) y la Retropropagación (Back Propagation)

Construcción de Modelos Simples de Deep Learning con Keras

• Creación de un Modelo en Keras
• Comprensión de sus datos
• Especificación de su Modelo de Deep Learning
• Compilación de su Modelo
• Ajuste (Fitting) de su Modelo
• Trabajo con datos de clasificación
• Trabajo con Modelos de Clasificación
• Uso de sus Modelos

Trabajo con TensorFlow para Deep Learning

• Preparación de los Datos
  • Descarga de los Datos
  • Preparación de Datos de Entrenamiento
  • Preparación de Datos de Prueba
  • Escalado de Entradas
  • Uso de Placeholders y Variables
• Especificación de la Arquitectura de la Red
• Uso de la Función de Costo
• Uso del Optimizador
• Uso de Inicializadores
• Ajuste (Fitting) 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
• Entrenamiento de Modelos a Gran Escala
• Visualización y Evaluación de Modelos con TensorBoard

Aplicación del Deep Learning en la Detección de Anomalías

• Autoencoder
  • Arquitectura Codificador - Decodificador
  • Pérdida de reconstrucción
• Variational Autoencoder
  • Inferencia variacional
• Generative Adversarial Network
  • Arquitectura Generador - Discriminador
  • Enfoques para AN usando GAN

Marcos de Ensamble (Ensemble Frameworks)

• Combinación de resultados de diferentes métodos
• Bootstrap Aggregating
• Promedio de la puntuación de valores atípicos