Resumen del curso ACONDICIONAMIENTO DE MODELOS EN SISTEMAS DE INTELIGENCIA ARTIFICIAL (IA)

Objetivos
Entrenamiento de modelos en sistemas de inteligencia artificial basados en aprendizaje automático
 
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 negativos
- Accuracy o exactitud
- Precision
- Recall o sensitivity
- Especificidad (specificity)
- F1-score
- Área 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