Fundamentos de Inteligencia Artificial (IA) y Machine Learning

Introducción al Machine Learning Aplicado

• Aprendizaje estadístico vs. Machine learning
• Iteración y evaluación
• Compensación sesgo-varianza (Bias-Variance trade-off)
• Aprendizaje supervisado vs. Aprendizaje no supervisado
• Problemas resueltos con Machine Learning
• Entrenamiento, Validación, 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 beneficios
  • Curva ROC
  • Curva de alce
• Selección de modelos
• Ajuste de modelos (tuning) – 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 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 machine learning para la detección de valores atípicos

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

Comprensión del Deep Learning

• Resumen de los conceptos básicos del Deep Learning
• Diferenciación entre Machine Learning y Deep Learning
• Resumen de aplicaciones del Deep Learning

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 neuronales y conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de las Perceptrones de Capa Única
• Diferencias entre Aprendizaje Supervisado y No Supervisado
• Aprendizaje de Redes Neuronales Feedforward y de Retroalimentación
• Comprensión de la Propagación Hacia Adelante y la Propagación Hacia Atrás

Construcción de Modelos Simples de Deep Learning con Keras

• Creación de un modelo Keras
• Comprensión de sus datos
• Especificación de su modelo de Deep Learning
• Compilación de su modelo
• Ajuste (Fitting) de su modelo
• Trabajo con sus 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 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 Deep Learning en la Detección de Anomalías

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

Marcos de Ensamble (Ensemble Frameworks)

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