Nivel Explorador

Bootcamp

Inteligencia Artificial

Inteligencia Artificial

En esta aventura abordarás conocimientos desde la historia y Ciclo de Vida de una aplicación de aprendizaje de Máquina hasta la generación de datos sintéticos, para la creación de modelos IA.

Perfil de ingreso

  • Contar con conocimientos básicos en programación, ideal manejo de Python.
  • Habilidades básicas de comprensión de lectura, matemáticas, razonamiento abstracto.
  • Manejo básico de un sistema operativo (Windows, MacOs, linux).

¿Por qué hacer este entrenamiento?

  • Tratarás conceptos fundamentales de la inteligencia artificial.
  • Utilizarás las aplicaciones prácticas de la inteligencia artificial.
  • Aplicarás el proceso general para la construcción de modelos de machine learning.
  • Conocerás las técnicas más comunes de aprendizaje inductivo y supervisado.
  • Identificarás un diseño experimental adecuado para la implementación de proyectos de machine learning.

Qué aprenderás

Qué aprenderás

Your Title Goes Here

Your content goes here. Edit or remove this text inline or in the module Content settings. You can also style every aspect of this content in the module Design settings and even apply custom CSS to this text in the module Advanced settings.

Misión 1. Tipos de aprendizaje en la IA, Historia Ciclo de vida de una aplicación de Aprendizaje de máquina, Identificación del Problema, Recolección de Datos, Visualización de datos, Análisis exploratorio de datos, Normalización de dato
  • Supervisado, No supervisado y Reforzado.
  • Identificación del Problema
  • Recolección de Datos
  • Preparación de Datos
  • Ingeniería de modelos
  • Evaluación del Modelo
  • Despliegue
  • Mantenimiento y Actualización
  • Definición del objetivo y Análisis de viabilidad.
  • Fuentes de datos: Ejemplos de conjuntos de datos disponibles, Tipos de bases de datos, Carga de datos, Generación de datos sintéticos y Calidad y cantidad de datos
  • Tipos de gráficos: Histogramas, Cajas y Densidad 
  • Dimensiones de la Calidad de Datos: Completitud, consistencia, exactitud, Detección y tratamiento de datos ausentes, Descarte, Imputación, Media o mediana, Regresión y Hot deck.
  • Normalización de datos: Minmax y Robust, Análisis univariable, Validación de distribución normal y Estadísticas descriptivas
  • Análisis bivariado: Correlación
  • Análisis multivariado: PCA
Misión 2. Modelos de Aprendizaje Supervisado y no Supervisado, Afinamiento de modelos y Validación y Métricas
  • Aprendizaje supervisado: Regresión lineal, Regresión logística, KNN, Naive Bayes, Árboles de decisión y Máquinas de soporte vectorial
  • Aprendizaje no supervisado: K-Means
  • Afinamiento de modelos: Sobre-ajuste y sub-ajuste, Técnicas para tratamiento: Hold Out, Validación cruzada y Ajuste de Hiperparámetros.
  • Métricas de modelos de regresión: Error Cuadrático Medio (Mean Squared Error, MSE). Raíz del Error Cuadrático Medio (Root Mean Squared Error, RMSE). Error Absoluto Medio (Mean Absolute Error, MAE). R-cuadrado (Coefficient of Determination, R²). R-cuadrado Ajustado (Adjusted R²).
  • Métricas de modelos de clasificación: Matriz de confusión, F1 Score, Precisión y Recall.
Misión 3. Principios de procesamiento de lenguaje natural para Chatbots básicos y despliegue de modelos
  • Procesamiento del lenguaje natural
  • Limpieza y Preprocesamiento de Datos:
  • Tokenización
  • Normalización
  • Eliminación de Stopwords
  • Lematización
  • Stemming
  • Representación de Texto
  • Bolsa de Palabras
  • TF-IDF
  • Análisis de sentimientos utilizando modelos de aprendizaje de máquina
  • Regresión Logística
  • Naive Bayes
  • Despliegue de modelos
  • Desarrollo de APIs RESTful para el acceso a modelos.