Resumen del curso Acondicionamiento de modelos en sistemas de Inteligencia Artificial (IA)
| Objetivos |
|---|
| Entender los principios y el funcionamiento de una variedad de algoritmos de machine learning, incluyendo sus fortalezas, debilidades y aplicaciones. Analizar el desempeño de los modelos desarrollados, tomar decisiones informadas basadas en las métricas obtenidas y ajustar los modelos según sea necesario para garantizar que los resultados se alineen con las expectativas. Tomar decisiones informadas sobre qué método de machine learning utilizar en función de la comprensión de los datos y los requisitos específicos del problema. |
| Contenido |
| 1. Técnicas de entrenamiento en el aprendizaje automático 1.1. Tipos de aprendizaje automático • Aprendizaje supervisado • Aprendizaje no supervisado • Aprendizaje semi-supervisado • Aprendizaje por refuerzo • Distinción entre los aprendizajes supervisado, no supervisado, reforzado 1.2. Tipos de problemas • Clasificación • Regresión • Segmentación • Detección de objetos 1.3. Técnicas paramétricas basadas en distribuciones de probabilidad conocidas • Gaussian mixture models • Otras 1.4. Técnicas no paramétricas • Árboles de decisión • Vecinos más próximos (k-nn) • Kernel density estimation • Support vector machines (svm) • K-means 2. Técnicas de entrenamiento en el aprendizaje automático 2.1. Técnicas holísticas • Redes neuronales fully connected • Redes neuronales convolucionales (cnn) • Redes neuronales recurrentes (rnn) • Transformers • Autoencoders • Encoder-decoder • Seq2seq 2.2. Técnicas de regularización para evitar el sobreaprendizaje • Regresión ridge (l2 regularization) • Regresión lasso (l1 regularization) • Elastic net regularization • Dropout • Early stopping 2.3. Métricas para evaluar la calidad de los modelos diseñados y entrenados • Error cuadrático medio (mse) • Error absoluto medio (mae) • Coeficiente de determinación (r2) • Ratio de falsos positivos y de falsos • Accuracy o exactitud • Precision • Recall o sensitivity • Especificidad (specificity) • F1-score • Area bajo la curva roc • Dice - coefficient • Intersection over union (iou) • Pixel accuracy 2.4. Herramientas software con la implementación de las técnicas de aprendizaje automático • Algoritmos de clasificación • K-means en python • Redes neuronales convolucionales en keras |