Fundamentos de Inteligencia Artificial (IA) y 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 y prueba – Flujo de trabajo de ML para evitar sobreajuste (overfitting)
• 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 ganancia
  • Curva ROC
  • Curva de lift
• 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 librería pandas
• Transformaciones 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

• 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 vs. Modelos de Regresión
• Comprensión de los fundamentos matemáticos y mecanismos de aprendizaje
• Construcción de una Red Neuronal Artificial
• Comprensión de nodos y conexiones neuronales
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de las Perceptrones de Capa Única
• Diferencias entre el aprendizaje supervisado y no supervisado
• Aprendizaje de redes neuronales de retroalimentación (feedforward) y retroactivas (feedback)
• Comprensión de la propagación hacia adelante y la retropropagación (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 de su modelo
• Trabajo con datos de clasificación
• Trabajo con modelos de clasificación
• Uso de sus modelos

Trabajo con TensorFlow para Aprendizaje Profundo

• Preparación de datos
  • Descarga de datos
  • Preparación de datos de entrenamiento
  • Preparación de datos de prueba
  • Escalado de entradas
  • Uso de marcadores de posición (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
• 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
• Variational Autoencoder
  • Inferencia variacional
• Generative Adversarial Network (GAN)
  • Arquitectura Generador – Discriminador
  • Enfoques para detección de anomalías (AN) utilizando GAN

Marcos de Trabajo Ensemble

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