Inteligencia Artificial y Machine Learning

Familiarízate con el análisis predictivo, las aplicaciones de aprendizaje automatizado y la toma de decisiones basadas en datos dentro del mundo empresarial. Conoce los tipos de decisiones y herramientas como la regresión, la clasificación, la recomendación y la recuperación. Descubre cómo conectar datos, problemas de negocio y analítica, y aprende a responder preguntas de interés empresarial con visualización de datos, matices y modalidades. Finalmente, explora las redes neuronales, aprendizaje profundo y conceptos de aprendizaje de refuerzo.

Examina la exploración de datos y la detección de patrones mediante la partición, centrándote en algoritmos de big data no supervisados. Descubre por qué es útil el análisis de agrupamiento y aprende los fundamentos matemáticos de las métricas de distancia y el aprendizaje automatizado, DBSCAN, HDBSCAN, la óptica y el algoritmo de maximización de expectativas.

Conoce la selección, extracción y transformación de características, la descomposición de valores singulares (SVD), el análisis de componentes independientes y la SVD truncada. Continúa con la transformación de datos, la proyección y la reducción de dimensiones para comprender mejor la SVD. Examina la integración de características, las transformaciones de texto, los modelos temáticos, los conceptos de datos no estructurados y los fundamentos del procesamiento del lenguaje natural. Profundiza en la visualización de datos de alta dimensión a través de UMAP y t-SNE y datos no paramétricos con la estimación de densidad de kernel.

Explora el aprendizaje supervisado y semi supervisado. Examina conceptos como la notación básica, el entrenamiento, el desarrollo de modelos, la teoría de la función de pérdida y el aprendizaje como algoritmo de optimización. Conoce las redes bayesianas, ridge y Lasso, y clasificadores descriptivos como el algoritmo k-próximo y el algoritmo Naive Bayes. Analiza el aprendizaje de clases binarias, la regresión logística y las pérdidas bisagra, jacobiana, hessiana y logarítmica.

Explora el uso de clasificadores discriminatorios frente a clasificadores descriptivos, kernel trick y máquinas de vectores de soporte, y algoritmos de predicción basados en “árboles”. Aprende a extraer reglas de clasificación y regresión a partir de “árboles de decisión”.

Nos centraremos en los clasificadores por votación, la agregación bootstrap (bagging), los métodos boosting y el enfoque teórico del bosque aleatorio.

Aprende los fundamentos de la interpretación y regularización de modelos en el aprendizaje automatizado, las métricas de evaluación del rendimiento, la validación cruzada, la gestión de datos desequilibrados, la detección de anomalías y el error de generalización (sobreajuste frente a subajuste). Examina los auto-codificadores con una introducción a las redes neuronales.

Explora el filtrado colaborativo, el algoritmo a priori, los sistemas de recomendación y las redes homogéneas frente a las heterogéneas. Descubre la teoría de grafos a través del análisis de redes sociales.