Fundamentos de la Inteligencia Artificial (IA) y el Machine Learning

Introducción al Machine Learning Aplicado

• Aprendizaje estadístico vs. Machine Learning
• Iteración y evaluación
• Compromiso entre sesgo y 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
• 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
  • Curva ROC
  • Curva de mejora (Lift curve)
• 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 biblioteca pandas
• Transformaciones de datos: limpieza y manipulación (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
  • Boosting de conjunto (Ensemble Gradient Boosting)
  • SVM
• Algoritmos no supervisados
  • Basados en distancia
  • Métodos basados en densidad
  • Métodos probabilísticos
  • Métodos basados en modelos

Comprender el 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

• ¿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 los nodos neuronales y sus conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Comprensión de los Perceptrones de capa única
• Diferencias entre el aprendizaje supervisado y el no supervisado
• Aprendizaje de redes neuronales de propagación hacia adelante (Feedforward) y retroalimentación
• Comprensión de la propagación hacia adelante (Forward Propagation) y la propagación hacia atrás (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 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 (Eval Output)
• 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 (Reconstruction loss)
• Autoencoder variacional (Variational Autoencoder)
  • Inferencia variacional
• Red Generativa Antagónica (Generative Adversarial Network)
  • Arquitectura de Generador – Discriminador
  • Enfoques para la detección de anomalías (AN) utilizando GAN

Marcos de trabajo de conjuntos (Ensemble Frameworks)

• Combinación de resultados de diferentes métodos
• Agregación por bootstrap (Bootstrap Aggregating)
• Promedio de la puntuación de valores atípicos