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

Introducción al Machine Learning Aplicado

• Aprendizaje estadístico vs. Machine learning
• Iteración y evaluación
• Compromiso sesgo-varianza (Bias-Variance trade-off)
• Aprendizaje supervisado vs. Aprendizaje no supervisado
• Problemas resueltos con Machine Learning
• Entrenamiento, Validación y Prueba (Train-Validation-Test) – Flujo de trabajo de ML para evitar el sobreajuste (overfitting)
• Flujo de trabajo de Machine Learning
• Algoritmos de machine learning
• Selección del algoritmo adecuado 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 levantamiento (Lift curve)
• Selección de modelos
• Ajuste de modelos – Estrategias de búsqueda en grilla (grid search)

Preparación de datos para Modelado

• Importación y almacenamiento de datos
• Entender los datos – Exploraciones básicas
• Manipulación de datos con la librería pandas
• Transformaciones de datos – Limpieza 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 anomalías

• 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
• Entendimiento de los fundamentos matemáticos y mecanismos de aprendizaje
• Construcción de una Red Neural Artificial
• Entendimiento de nodos neuronales y conexiones
• Trabajo con neuronas, capas y datos de entrada y salida
• Entendimiento de las Perceptrones de Capa Simple (Single Layer Perceptrons)
• Diferencias entre Aprendizaje Supervisado y No Supervisado
• Aprendizaje de Redes Neuronales Feedforward y Feedback
• Entendimiento de la Propagación Hacia Adelante (Forward Propagation) y la Retropropagación (Back Propagation)

Construcción de Modelos Sencillos de Deep Learning con Keras

• Creación de un Modelo en Keras
• Entendimiento 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 Neural
• Construcción del Grafo (Graph)
  • Inferencia
  • Pérdida (Loss)
  • Entrenamiento
• Entrenamiento del Modelo
  • El Grafo
  • La Sesión (Session)
  • 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 Encoder - Decoder
  • Pérdida de reconstrucción
• Variational Autoencoder
  • Inferencia variacional
• Generative Adversarial Network (GAN)
  • Arquitectura Generador – Discriminador
  • Enfoques para AN (Anomaly Detection) usando GAN

Marcos de Trabajo Ensemble (Ensemble Frameworks)

• Combinación de resultados de diferentes métodos
• Bootstrap Aggregating
• Promedio de puntuaciones de anomalías