Fundamentos de Inteligencia Artificial (IA) y Machine Learning

Introducción al Machine Learning Aplicado

• Aprendizaje estadístico vs. Machine Learning
• Iteración y evaluación
• Compensación 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 del 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 limitaciones
  • Matriz de confusión
  • Problema de clases desbalanceadas
• Visualización del rendimiento del modelo
  • Curva de beneficio (Profit curve)
  • Curva ROC
  • Curva de mejora (Lift curve)
• Selección de modelos
• Ajuste de modelos – estrategias de búsqueda por 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
  • Boosting de Gradiente (Ensemble)
  • 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
• 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 los 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
• Diferencias entre aprendizaje supervisado y no supervisado
• Aprendizaje de redes neuronales feedforward y de retroalimentación
• Comprensión de la propagación hacia adelante (forward propagation) y la retropropagación (back propagation)

Construcción de modelos simples de Deep Learning con Keras

• Creación de un modelo de 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
  • Escalamiento de entradas
  • Uso de espacios reservados (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 gran escala
• Visualización y evaluación de modelos con TensorBoard

Aplicación del Deep Learning en la Detección de Anomalías

• Autoencoder
  • Arquitectura Codificador - Decodificador
  • Pérdida de reconstrucción (Reconstruction loss)
• Autoencoder Variacional (Variational Autoencoder)
  • Inferencia variacional
• Red Adversaria Generativa (Generative Adversarial Network - GAN)
  • Arquitectura Generador – Discriminador
  • Enfoques para la detección de anomalías (AN) usando GAN

Marcos de Ensemble

• Combinación de resultados de diferentes métodos
• Agregación Bootstrap (Bootstrap Aggregating)
• Promedio del puntaje de valores atípicos