Fundamentos de Inteligencia Artificial (IA) y 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 (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 beneficio (Profit curve)
  • Curva ROC
  • Curva de elevación (Lift curve)
• Selección de modelos
• Ajuste de modelos (Tuning) – estrategias de búsqueda en cuadrícula (grid search)

Preparación de datos para modelado

• Importación y almacenamiento de datos
• Comprensión de 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 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

Comprender el Deep Learning

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

Visión general de las Redes Neuronales

• ¿Qué son las Redes Neuronales?
• Redes Neuronales vs. Modelos de regresión
• Comprensión de 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 los Perceptrones de Capa Única (Single Layer Perceptrons)
• Diferencias entre aprendizaje supervisado y no supervisado
• Aprendizaje de redes neuronales feedforward y feedback
• Comprensión de la propagación hacia adelante y la retropropagación (Back Propagation)

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 datos de clasificación
• Trabajo con modelos de clasificación
• Uso de sus modelos

Trabajo con TensorFlow para Deep Learning

• 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 escala
• Visualización y evaluación de modelos con TensorBoard

Aplicación del Deep Learning en la detección de anomalías

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

Marcos de trabajo Ensemble

• Combinación de resultados de diferentes métodos
• Agregado de Bootstrapping (Bootstrap Aggregating)
• Promedio de la puntuación de valores atípicos