Artificial Intelligence Profesional Certificate (CAIPC)

Introducción

En 1959, Arthur Samuel, informático pionero en el estudio de la inteligencia artificial, describió el aprendizaje automático – ML- como «el estudio que da a los ordenadores la capacidad de aprender sin ser programados explícitamente». El artículo seminal de Alan Turing (Turing, 1950) introdujo una norma de referencia para demostrar la inteligencia de las máquinas, de manera que una máquina tiene que ser inteligente y responder de una manera que no pueda diferenciarse de la de un ser humano.

El aprendizaje automático es una aplicación de la inteligencia artificial en la que un ordenador/máquina aprende de las experiencias pasadas (datos de entrada) y hace predicciones futuras. El rendimiento de un sistema de este tipo debería estar, como mínimo, a la altura del ser humano.

En este material, nos centraremos en los problemas de clustering para el aprendizaje automático no supervisado con el algoritmo K-Means. Para el aprendizaje automático supervisado describiremos el problema de clasificación con una demostración del algoritmo de árboles de diseño y el de regresión con un ejemplo de regresión lineal. A continuación se presenta un resumen que representa los tipos de aprendizaje automático y algunos algoritmos como ejemplos en la siguiente figura:

A quien va dirigido

• Cualquier persona interesada en ampliar sus conocimientos en Inteligencia Artificial y Aprendizaje Automático

• Ingenieros, analistas, directores de marketing

• Analistas de datos, científicos de datos, administradores de datos

• Cualquier persona interesada en técnicas de minería de datos y aprendizaje automático

Objetivos didácticos

• Comprender los fundamentos de la Inteligencia Artificial y el Aprendizaje Automático

• Describir los métodos de aprendizaje automático: supervisado y no supervisado

• Utilizar el Análisis de Datos para la toma de decisiones

• Comprender los límites de los algoritmos

• Entender y comprender la programación en Python, los conocimientos matemáticos esenciales en IA y los métodos básicos de programación

Requisitos previos

No hay prerrequisitos formales para esta certificación.

Programa

1. Fundamentos del Aprendizaje Automático

   • Fundamentos del Aprendizaje Automático – ML

2. Puntos Clave

   • Aprendizaje Automático Supervisado

   • Aprendizaje Automático no Supervisado

   • Aprendizaje Automático por Refuerzo

3. Introducción K-Nearest Neighbors

   • Introducción

   • Introducción a los Datos

   • K-nearest Neighbors

   • Distancia Euclidiana

   • Calcular la Distancia para Todas las Observaciones

   • Aleatoriedad y Clasificación

   • Precio Promedio

   • Funciones de Predicción

4. Evaluación del Rendimiento del Modelo

   • Comprobando la Calidad de las Predicciones

   • Métricas de Error

   • Error Cuadrático Medio

   • Entrenamiento de Otro Modelo

   • Raíz del Error Cuadrático Medio

   • Comparación del MAE y el RMSE

5. Multivariante del Método K-Nearest Neighbors

   • Recapitulemos

   • Eliminación de Características

   • Manejo de los Valores Perdidos

   • Normalización de Columnas

   • Distancia Euclidiana para el Caso Multivariante

   • Introducción a Scikit-learn

   • Ajuste de un Modelo y Realización de Predicciones

   • Cálculo del MSE con Scikit-Learn

   • Utilización de más Funciones

   • Utilización de Todas las Funciones

6. Optimización de Hiperparámetros

   • Recapitulación

   • Optimización de Hiperparámetros

   • Ampliar la Búsqueda en la Cuadrícula

   • Visualización de los Valores de los Hiperparámetros

7. Validación Cruzada

   • Concepto

   • Validación de la Retención

   • Validación Cruzada K-Fold

8. Proyecto Guiado: Predicción de los Precios de Automóviles

   • Proyecto Guiado: Predicción de los Precios de Automóviles

9. Cálculo para el Aprendizaje Automático

   • Cálculo para el Aprendizaje Automático

   • Comprender las Funciones Lineales y No Lineales

   • Comprensión de los Límites

10. Álgebra Lineal para el Aprendizaje Automático

    • Álgebra Lineal para el Aprendizaje Automático

    • Sistemas Lineales

    • Vectores

    • Álgebra Matricial

    • Conjuntos de Soluciones

11. Regresión Lineal para el Aprendizaje Automático

    • Regresión Lineal para el Aprendizaje Automático

    • Modelo de Regresión Lineal

    • Selección de Características

    • Descenso de Gradientes

    • Mínimos Cuadrados Ordinarios

    • Características de Procesamiento y Transformación

    • Proyecto Guiado: Pronóstico de los Precios de Venta de la Vivienda

12. Aprendizaje Automático en Python

    • Regresión Logística

    • Introducción a la Evaluación de Clasificadores Binarios

    • Clasificación Multiclase

    • Sobreajustes

    • Fundamentos de Agrupación (Clustering)

    • Agrupación (Clustering) de K-means

    • Proyecto Guiado: Predicción de la Bolsa

13. Árbol de Decisiones

    • Árbol de Decisiones

    • ¿Por qué utilizar Árboles de Decisiones?

    • Terminología de los Árboles de Decisiones

    • Cómo Funciona el Algoritmo del Árbol de Decisiones

    • Poda: Obtención de un Árbol de Decisión Óptimo

    • Ventajas del Árbol de Decisiones

    • Desventajas del Árbol de Decisiones

    • Implementación en Python del Árbol de Decisiones

    • Proyecto Guiado: Predicción del Alquiler de Bicicletas

    • Referencias y Bibliografía