Fundamentos de la Inteligencia Artificial (IA) y el Aprendizaje Automático

Introducción al Aprendizaje Automático Aplicado

• Aprendizaje estadístico vs. Aprendizaje automático
• Iteración y evaluación
• Compensación Sesgo-Variabilidad
• Aprendizaje Supervisado vs. No Supervisado
• Problemas resueltos con Aprendizaje Automático
• Entrenamiento, Validación, Prueba – Flujo de trabajo de ML para evitar sobreajuste (overfitting)
• Flujo de trabajo de Aprendizaje Automático
• Algoritmos de aprendizaje automático
• Selección del algoritmo adecuado al problema

Evaluación de Algoritmos

• Evaluación de predicciones numéricas
  • Medidas de precisión: EM, ECM, RMSE, MAPE
  • Estabilidad de parámetros y predicciones
• Evaluación de algoritmos de clasificación
  • Precisión y sus problemas
  • Matriz de confusión
  • Problema de clases desbalanceadas
• Visualización del rendimiento del modelo
  • Curva de beneficio
  • Curva ROC
  • Curva de elevación (Lift)
• Selección de modelos
• Ajuste de modelos – Estrategias de búsqueda por grilla (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 de datos (Data wrangling)
• Análisis exploratorio
• Observaciones faltantes – Detección y soluciones
• Valores atípicos – Detección y estrategias
• Estandarización, normalización, binarización
• Recodificación de datos cualitativos

Algoritmos de aprendizaje automático para detección de valores atípicos

• Algoritmos supervisados
  • KNN
  • Gradiente Boosting Ensamblado
  • SVM
• Algoritmos no supervisados
  • Basados en distancia
  • Métodos basados en densidad
  • Métodos probabilísticos
  • Métodos basados en modelos

Comprensión del Aprendizaje Profundo

• Visión general de los conceptos básicos del aprendizaje profundo
• Diferenciación entre aprendizaje automático y aprendizaje profundo
• Visión general de las aplicaciones del aprendizaje profundo

Visión General de las Redes Neuronales

• ¿Qué son las Redes Neuronales?
• Redes Neuronales vs. Modelos de Regresión
• Comprensión de las bases matemáticas 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 Feedback
• Comprensión de la Propagación hacia Adelante y la Retropropagación

Construcción de Modelos Sencillos de Aprendizaje Profundo con Keras

• Creación de un Modelo Keras
• Entender sus datos
• Especificación de su Modelo de Aprendizaje Profundo
• 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 Aprendizaje Profundo

• Preparación de los datos
  • Descarga de 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 Aprendizaje Profundo en la Detección de Anomalías

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

Marcos de Trabajo Ensamblados (Ensemble Frameworks)

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