Fundamentos de Inteligencia Artificial (IA) y Machine Learning

Introducción al Machine Learning Aplicado

• Aprendizaje estadístico vs. Machine learning
• Iteración y evaluación
• Compromiso Sesgo-Variancia
• Aprendizaje Supervisado vs. No Supervisado
• Problemas resueltos con Machine Learning
• Entrenamiento, Validación y Prueba – Flujo de trabajo de ML para evitar el sobreajuste
• Flujo de trabajo del Machine Learning
• Algoritmos de machine learning
• Elección 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 lift
• Selección de modelos
• Ajuste de modelos – Estrategias de búsqueda por grid

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 – Manipulación de datos
• Análisis exploratorio
• Observaciones faltantes – Detección y soluciones
• Valores atípicos – Detección y estrategias
• Estandarización, normalización, binarización
• Recodificación de datos cualitativos

Algoritmos de machine learning 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 Deep Learning

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

Visión general de las Redes Neuronales

• ¿Qué son las redes neuronales?
• Redes Neuronales vs. Modelos de Regresión
• Comprensión de las bases matemáticas y los mecanismos de aprendizaje
• Construcción de una Red Neuronal Artificial
• Comprensión de los nodos neuronales y las conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de los perceptrones de una sola capa
• 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 Sencillos de Deep Learning con Keras

• Creación de un modelo de Keras
• Comprensión de sus datos
• Especificación de su modelo de Deep Learning
• 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 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
  • 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 AN utilizando GAN

Marcos de Trabajo Ensemble

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