ENTRENAMIENTO EN SISTEMAS DE INTELIGENCIA ARTIFICIAL

El curso ofrece una inmersión completa en el aprendizaje automático, abarcando tanto teoría como práctica. Comienza con una exploración de los diferentes tipos de aprendizaje: supervisado, no supervisado, semi-supervisado y por refuerzo, proporcionando una base sólida sobre cómo funcionan estos métodos, sus aplicaciones y los algoritmos específicos que los definen. Avanza hacia métodos específicos de aprendizaje automático como clasificación, regresión y detección de objetos, complementado con un estudio de técnicas paramétricas y no paramétricas que incluyen modelos de mezclas gaussianas y árboles de decisión.

El curso también se adentra en las redes neuronales, destacando diversas arquitecturas como las redes completamente conectadas, convolucionales, recurrentes y transformadores. Se enfatiza la importancia de la regularización y las métricas de evaluación de modelos para optimizar el rendimiento de los modelos de ML.

Finalmente, se discuten las herramientas software necesarias para implementar, desarrollar y desplegar modelos de inteligencia artificial, incluyendo entornos de desarrollo integrados y plataformas de colaboración en la nube, asegurando que los participantes puedan llevar a la práctica sus conocimientos en proyectos reales. El curso concluye con una reflexión sobre las mejores prácticas y consideraciones finales para aplicar eficazmente el aprendizaje automático.

ÍNDICE

1. Aprendizaje Supervisado

• Introducción al Aprendizaje Supervisado
• Usos y Aplicaciones del Aprendizaje Supervisado
• Proceso de Entrenamiento en el Aprendizaje Supervisado
• Algoritmos de Aprendizaje Supervisado
• Desafíos en el Aprendizaje Supervisado
• Herramientas y Librerías para el Aprendizaje Supervisado
• Conclusiones y Perspectivas Futuras

1.2 Aprendizaje No Supervisado

• Introducción al Aprendizaje No Supervisado
• Técnicas Principales del Aprendizaje No Supervisado
• Aplicaciones del Aprendizaje No Supervisado
• Evaluación de Modelos en Aprendizaje No Supervisado
• Herramientas y Bibliotecas – Aprendizaje No Supervisado
• Casos de Estudio y Ejemplos Reales

1.3 Aprendizaje Semi-supervisado

• Introducción al Aprendizaje Semi-supervisado
• Algoritmos y Modelos en Aprendizaje Semi-supervisado
• Técnicas de Implementación
• Casos de Uso y Aplicaciones Prácticas

1.4 Aprendizaje por Refuerzo

• Introducción al Aprendizaje por Refuerzo
• Componentes Clave del Aprendizaje por Refuerzo
• Procesos de Decisión de Markov (MDP)
• Estrategias de Aprendizaje en Aprendizaje por Refuerzo
• Algoritmos de Aprendizaje por Refuerzo
• Casos Prácticos y Aplicaciones
• Resumen y Conclusión

2. Métodos Específicos de Aprendizaje Automático

• Clasificación en el Ámbito del Aprendizaje Automático
• Regresión
• Segmentación
• Detección de Objetos

3. Técnicas Paramétricas y No Paramétricas

• Gaussian Mixture Models
• Árboles de Decisión y Variantes
• K-NN y Kernel Density Estimation
• Support Vector Machines y K-Means

4. Técnicas Holísticas: Redes Neuronales

• Redes Fully Connected y Convolutional
• Redes Recurrentes y Transformers
• Autoencoders y Encoder-Decoder

5. Técnicas de Regularización

• Métodos y Aplicaciones

6. Métricas de Evaluación de Modelos

• MSE, MAE, Accuracy, Precisión y Recall
• Specificity, F1-Score, Ratios, AUC, IoU

7. Herramientas Software

• Implementación de Técnicas
• Entornos de Desarrollo Integrados (IDEs) y Bibliotecas para IA
• Plataformas de Desarrollo y Colaboración en la Nube
• Herramientas de Visualización de Datos
• Gestión y Preprocesamiento de Datos
• Implementación Práctica de Modelos de IA
• Despliegue de Modelos de IA
• Consideraciones Finales y Mejores Prácticas