1

¿Qué es la inteligencia artificial?

• La fantasía de la inteligencia artificial y la realidad actual.
• Tareas intelectuales frente a algoritmos.
• Tipos de acciones: clasificación, regresión, agrupación (clustering), estimación de la densidad, reducción de la dimensionalidad.
• Inteligencia colectiva: agregar conocimientos compartidos por un gran número de agentes virtuales.
• Algoritmos genéticos: desarrollo de una población de agentes virtuales mediante selección.
• Machine Learning: presentación y principales algoritmos (XGBoost, Random Forest).

2

Redes neuronales y deep learning

• ¿Qué es una red neuronal?
• ¿Qué es el aprendizaje de redes neuronales? Deep versus shallow network, overfit, underfit, convergencia.
• Comprensión de una función mediante una red neuronal: presentación y ejemplos.
• Generación de representaciones internas en una red neuronal.
• Generalización de los resultados de una red neuronal.
• La revolución del Deep learning: genericidad de herramientas y problemas.

3

Aplicaciones de deep learning

• Clasificación de los datos. Los distintos escenarios: datos brutos, imagen, sonido, texto, etc.
• Los retos de la clasificación de datos y las opciones que implica un modelo de clasificación.
• Herramientas de clasificación: redes como el Multilayer Perceptrón o Convolutional. Neural Network. Machine learning.
• Información y datos secuenciales/temporales. Riesgos y límites de la predicción de información.
• Reglas estructurales dentro de los datos que pueden permitir la lógica. Herramientas de predicción habituales.
• Transformación/generación de datos. Operaciones de reinterpretación de datos: eliminación de ruido, segmentación de imágenes, etc.
• Operación de transformación sobre el mismo formato: traducción de texto de un idioma a otro, etc.
• Operación de generación de datos "original": Neural style, generación de imágenes a partir de presentaciones textuales.
• Reinforcement learning: control de un entorno.
• Experiencia Replay y aprendizaje de videojuegos mediante una red neuronal.

4

¿Qué problemas pueden resolverse con el Machine/Deep learning?

• Datos necesarios: volumen, tamaño, equilibrio entre clases, descripción.
• Datos brutos frente a características trabajadas: ¿qué elegir?
• Machine learning frente a Deep learning: ¿algoritmos de machine learning más antiguos o redes neuronales?
• Calificar el problema: Unsupervised Learning versus Supervised Learning.
• Calificar la solución a un problema: comprender la distancia entre un enunciado y el resultado de un algoritmo.

5

Estudio de caso

6

¿Qué es conjunto de datos (dataset)?

• Almacenamiento/control de datos: supervisión de sesgos, limpieza/conversión.
• Comprensión de los datos: representación de las herramientas estadísticas que proporcionan una visión general de los datos, su distribución, etc.
• Formatear los datos: decidir un formato de entrada y de salida, establecer el vínculo con la calificación del problema.
• Preparación de los datos: definición de Train Set, Validation Set y Test Set.
• Establecer una estructura que garantice que los algoritmos utilizados son realmente pertinentes (o no).

7

Encontrar la solución óptima

• Metodología para encontrar la mejor solución a un problema de ML/DL.
• Elegir una dirección de investigación, localizar publicaciones existentes o proyectos similares.
• Iteraciones sucesivas desde los algoritmos más sencillos hasta las arquitecturas más complejas.
• Conservación un banco de comparación transversal.
• Para llegar a una solución óptima.