Aprendizaje automático e Inteligencia Artificial con ML.NET

Introducción

Instalación y configuración del entorno para el aprendizaje automático en .NET (ML.NET)

• Configuración inicial de las librerías y herramientas de ML.NET
• Sistemas operativos y componentes hardware compatibles con ML.NET

Visión general de las características y la arquitectura de ML.NET

• Interfaz de programación proporcionada por ML.NET (API)
• Algoritmos y tareas específicas soportados en el marco ML.NET
• Programación probabilística mediante la herramienta Infer.NET
• Elección de las dependencias adecuadas para su proyecto en ML.NET

Presentación del Model Builder de ML.NET

• Integración del Model Builder con el entorno Visual Studio
• Funcionalidades automatizadas para generar modelos mediante AutoML en Model Builder

Presentación de la interfaz CLI (Command-Line Interface) de ML.NET

• Generación automática de modelos usando el CLI
• Tareas del aprendizaje automático compatibles con el CLI de ML.NET

Obtención y carga de datos necesarios para el entrenamiento

• Uso de la API de ML.NET a fin de procesar los conjuntos de información
• Definición de estructuras propias de clases en relación con los modelos de datos
• Etiquetado e identificación de componentes en los modelos generados por ML.NET
• Casos habituales respecto a la carga de información al marco de trabajo ML.NET

Preparación y procesamiento previo de los datos para su entrada en el modelo

• Aplicación de filtros definidos por el propio ML.NET para manipular los datos
• Operaciones propias del catálogo DataOperationsCatalog y uso del objeto IDataView
• Técnicas de normalización como paso preliminar en la preparación de datos
• Transformación general que se realiza a los conjuntos durante el procesamiento
• Tratamiento específico de categorías discretas al momento de generar modelos

Implementación práctica de algoritmos y tareas del aprendizaje automático en ML.NET

• Clasificaciones binarias o multi-clase mediante ML.NET
• Realización de regresiones lineales o no lineales usando el marco
• Agrupamiento de instancias por afinidad empleando algoritmos de clustering
• Detección automática de anomalías o valores atípicos en los conjuntos analizados
• Obtención de rankings, recomendaciones o predicciones futuras mediante funcionalidades avanzadas
• Selección del algoritmo idóneo en función del tipo y naturaleza de los datos disponibles
• Transformación detallada de variables durante el diseño del modelo
• Mejora continua mediante métodos especiales orientados a aumentar la precisión final

Entrenamiento práctico de modelos propiamente dichos en el marco ML.NET

• Elaboración inicial del esquema general para el modelo a entrenar
• Uso de métodos integrados en ML.NET orientados al aprendizaje iterativo
• Separación lógica entre conjuntos usados en el proceso formativo y los empleados para comprobaciones posteriores
• Tratamiento diversificado de distintos atributos según sus características específicas
• Almacenamiento temporal o caché con el fin de optimizar los procesos de formación

Valoración cualitativa y cuantitativa del desempeño resultante en los modelos

• Extracción o registro detallado de parámetros para su posible reutilización futura
• Recolección y organización sistemática de indicadores que miden el grado de acierto esperado
• Análisis comparativo del comportamiento observado durante la fase formativa frente a criterios establecidos

Observación paso a paso del procesamiento de los datos intermedios generados al entrenar modelos

Interpretación clara respecto a las aportaciones individuales de cada variable mediante la metodología PFI (Permutation Feature Importance)

Guardado y recuperación segura de los resultados obtenidos en el modelo formado

• Utilización eficiente de componentes específicos como ITTransformer y DataViewScheme
• Carga simultánea de informaciones ubicadas local o remotamente mediante protocolos idóneos
• Desarrollo de flujos de trabajo complejos combinando distintos pasos y componentes internos del entorno

Aplicación concreta del modelo ya formado para generar nuevos análisis o predicciones útiles

• Diseño de una tubería de datos preparada específicamente para la inferencia directa
• Predicción individual así como múltiple, abarcando distintos tipos de variables y escenarios propuestos

Optimización iterativa mediante el reentrenamiento del modelo según nuevos patrones detectados

• Identificación y selección selectiva entre aquellas técnicas cuya naturaleza permite su readaptación natural
• Carga, exploración de parámetros iniciales seguidos del proceso propio de reentrenamiento
• Comparativa estructurada entre configuraciones previas y actualizadas, analizando beneficios netos para el desempeño general

Integración con entornos en la nube mediante servicios adecuados ofrecidos por terceras partes

• Despliegue exitoso mediante funciones especializadas y API’s web de Azure

Identificación de posibles obstáculos o errores generados en el proceso formativo

Resumen final y conclusiones generales respecto al curso y sus impactos potenciales