Introducción al aprendizaje automático (aprox. 5 días)

¿Por qué aprendizaje automático?

Ejemplos de aplicación

Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje parcialmente supervisado, aprendizaje por refuerzo

Ejemplos de conjuntos de datos

Conocer los datos

Datos de entrenamiento, validación y prueba

Visualización de datos

Hacer predicciones

Aprendizaje supervisado (aprox. 5 días)

Clasificación y regresión

Generalización, ajuste excesivo y ajuste insuficiente

Tamaño del conjunto de datos

Algoritmos de aprendizaje supervisado

Modelos lineales

Clasificadores Bayes

Árboles de decisión

Bosque aleatorio

Impulso por gradiente

k-vecinos más cercanos

Máquinas de vectores soporte

Campo aleatorio condicional

Redes neuronales y aprendizaje profundo

Probabilidades

Aprendizaje no supervisado (aprox. 5 días)

Tipos de aprendizaje no supervisado

Preprocesamiento y escalado

Transformaciones de datos

Escalado de datos de entrenamiento y de prueba

Reducción dimensional

Ingeniería de características

Aprendizaje múltiple

Descomposición de componentes principales (PCA)

Factorización de matrices no negativas (NMF)

Aprendizaje múltiple con t-SNE

Análisis de clústeres

Agrupación de k-Means

Agrupación por conglomerados

Análisis jerárquico de conglomerados

DBSCAN

Algoritmos de clúster

Evaluación y mejora (aprox. 2 días)

Selección y evaluación de modelos

Ajuste de los hiperparámetros de un estimador

Validación cruzada

Búsqueda en cuadrícula

Métricas de evaluación

Clasificación

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje profundo (aprox. 1 día)

El aprendizaje profundo como tipo de aprendizaje automático

Fundamentos de las redes neuronales (aprox. 4 días)

Perceptrón

Cálculo de redes neuronales

Optimización de los parámetros del modelo, backpropagation

Bibliotecas de aprendizaje profundo

Regresión frente a clasificación

Curvas de aprendizaje, sobreajuste y regularización

Optimización de hiperparámetros

Descenso de gradiente estocástico (SGD)

Momentum, optimizador Adam

Tasa de aprendizaje

Red neuronal convolucional (CNN) (aprox. 2 días)

Clasificación de imágenes

Capas convolucionales, capas de agrupamiento

Capas de remodelación, aplanamiento, pooling de media global

Arquitecturas CNN ImageNet-Competition

Redes neuronales profundas, gradientes de fuga, conexiones de salto, normalización por lotes

Aprendizaje por transferencia (aprox. 1 día)

Adaptación de modelos

Formación previa no supervisada

Aumento de datos de imágenes, IA explicable

CNN regional (aprox. 1 día)

Localización de objetos

Problemas de regresión

Redes neuronales ramificadas

Métodos de generación creativa de imágenes (aprox. 1 día)

Redes Generativas Adversariales (GAN)

Deepfakes

Modelos de difusión

Redes neuronales recurrentes (aprox. 2 días)

Análisis de secuencias

Capas recurrentes

Retropropagación en el tiempo (BPTT)

Análisis de series temporales

Problemas de gradiente explosivo y evanescente

LSTM (memoria a corto plazo larga)

GRU (Unidad Recurrente Controlada)

RNN profunda

LSTM profunda

Tratamiento de textos mediante redes neuronales (aprox. 2 días)

Preprocesamiento de textos

Incrustación de capas

Clasificación de textos

Análisis de sentimientos

Aprendizaje de transferencia en PNL

Traducciones

Método secuencia a secuencia, arquitectura codificador-decodificador

Modelos lingüísticos (aprox. 1 día)

BERT, GPT

Capas de atención, transformadores

Tuberías de generación de texto

Resumidores

chatbots

Aprendizaje profundo por refuerzo (aprox. 1 día)

Control de sistemas dinámicos

Sistemas de agentes

Entrenamiento mediante recompensas

Gradientes de políticas

Aprendizaje Q profundo

Redes neuronales bayesianas (aprox. 1 día)

Incertidumbres en las redes neuronales

Evaluación estadística de las previsiones

Confianza, desviación típica

Datos desequilibrados

Métodos de muestreo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Introducción al aprendizaje por refuerzo (aprox. 1 día)

Definición y conceptos básicos

Diferencias con otros métodos de aprendizaje

Ámbitos de aplicación y ejemplos

Procesos de decisión de Markov (MDP) (aprox. 2 días)

Definición y propiedades de los MDP

Funciones de valor y política

Ecuaciones de Bellman

Enfoque de programación dinámica

Q-Learning (aprox. 2 días)

Definición y algoritmo

Exploración frente a explotación

Convergencia y propiedades de optimización

Aplicaciones en juegos, robótica y otros ámbitos

Aprendizaje profundo por refuerzo (aprox. 3 días)

Aprendizaje Q profundo

Gradientes de políticas deterministas profundas (DDPG)

Métodos críticos de actor

Métodos de gradiente de política

Temas avanzados (aprox. 4 días)

Aprendizaje por refuerzo basado en modelos

Aprendizaje por refuerzo multiagente

Aprendizaje por refuerzo inverso

Metaaprendizaje por refuerzo

Aplicaciones prácticas (aprox. 3 días)

Implementación de algoritmos de aprendizaje por refuerzo

Aplicación a problemas y casos prácticos seleccionados

Evaluación y ajuste de los algoritmos

Resumen y perspectivas (aprox. 2 días)

Resumen de los conceptos y resultados más importantes

Retos y evolución futura del aprendizaje por refuerzo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto