Fundamentos y Aplicaciones de la Inteligencia Artificial: Machine Learning, Deep Learning y LLMS

Módulo 1 - Fundamentos de Python para Ciencia de Datos

• Sintaxis de Python: variables, tipos de datos, operadores (con ejercicios de aplicación).
• Estructuras de control: condicionales y bucles (con resolución de problemas).
• Funciones: definición, parámetros, retorno de valores (desarrollo de funciones personalizadas).
• Manejo de estructuras de datos: listas, tuplas, diccionarios, conjuntos (aplicación en escenarios de datos).
• Aplicación de Librerías Esenciales:
  • NumPy: Creación y manipulación de arrays, operaciones vectorizadas (ejercicios de álgebra lineal y manejo de datos numéricos).
  • Pandas: Creación y manipulación de Series y DataFrames, carga, limpieza y transformación de datos (implementaciones con diversos datasets).
  • Matplotlib y Seaborn: Creación de diferentes tipos de visualizaciones para exploración de datos (ejercicios de generación de gráficos).
• · Configuración y uso de Google Colaboratory para desarrollo y ejecución de notebooks de Python, incluyendo importación de librerías y gestión de archivos.

Módulo 2 - Introducción a la Inteligencia Artificial y Machine Learning

• Conceptos clave de la IA y ML: discusión de casos de uso y aplicaciones reales.
• Tipos de Aprendizaje Automático: identificación y clasificación de problemas según el tipo de aprendizaje.
• Estudio de Caso y Aplicación del Flujo de Trabajo en ML: Desarrollo de un caso desde la definición del problema hasta la evaluación.
• Aplicación de Scikit-Learn: Introducción a la API de Scikit-Learn y preprocesamiento básico de datos (escalado, codificación).
• Regresión Lineal Simple y Múltiple:
• Fundamentos teóricos y supuestos.
  • Implementación: Desarrollo de modelos de regresión lineal, ajuste e interpretación de coeficientes con Scikit-Learn.
  • Ejercicios de predicción y evaluación.

Módulo 3 - Aprendizaje Supervisado: Modelado, Evaluación y Selección

• Aplicación de Gradiente Descendiente: Implementación conceptual y visualización del algoritmo para optimizar funciones simples. Discusión de variantes.
• Regresión Logística:
  • Fundamentos para clasificación, función sigmoide, función de coste.
  • Implementación Guiada: Desarrollo de modelos de regresión logística para clasificación binaria y multiclase con Scikit-Learn.
• Árboles de Decisión:
  • Construcción, criterios de división, poda (conceptual).
  • Implementación Guiada: Creación y visualización de árboles de decisión. Análisis de interpretabilidad.
  • Random Forests (Bagging):
  • Concepto de ensamblaje y bagging.
  • Implementación: de Random Forests y comparación con árboles individuales.
  • Análisis del Compromiso Sesgo-Varianza: (diagnóstico de subajuste y sobreajuste).
• Aplicación de Métricas de Evaluación de Modelos:
• Aplicación para Regresión (MAE, MSE, RMSE, R²).
• Aplicación para Clasificación (Matriz de confusión, Accuracy, Precision, Recall, F1-Score, Curva ROC y AUC).
• Implementación de Validación y Selección de Modelos:
• Implementación de Validación Cruzada.
• Ajuste de Hiperparámetros: Grid Search y Random Search con Scikit-Learn.
• Introducción a Otros Métodos de Ensambles: Conceptos y ejemplos de Boosting.

Módulo 4 - Redes Neuronales y Fundamentos de Deep Learning

• Exploración interactiva de las unidades básicas: Perceptrón y Neurona Logística
• Introducción y Aplicación de TensorFlow y/o PyTorch: Manipulación de tensores, construcción de modelos básicos y uso de APIs (Keras, torch.nn).
• Redes Neuronales Feedforward (Multilayer Perceptron - MLP):
• Configuración de arquitecturas MLP en TensorFlow/Keras y PyTorch.
• Aplicación de Funciones de Activación: Experimentación con Sigmoid, Tanh, ReLU, Softmax, observando su impacto.
• Entrenamiento de Redes Neuronales:
  • Ejercicio de Comprensión y Aplicación del Algoritmo de Backpropagation: Seguimiento del flujo de error y actualización de pesos.
  • Aplicación de Optimizadores: Implementación y comparación de SGD, Adam, RMSprop, analizando curvas de aprendizaje.
  • Experimentación Dirigida: Pruebas con diferentes estrategias de Inicialización de Pesos.
  • Aplicación de Regularización: Implementación de técnicas (L1, L2, Dropout) para combatir el sobreajuste.
• Discusión con ejemplos de las diferencias entre ML clásico y Deep Learning.
• Construcción, entrenamiento y evaluación de Redes Neuronales Feedforward para regresión y clasificación (datasets como MNIST o Boston Housing).

Módulo 5 - Aprendizaje Profundo Avanzado y Arquitecturas Convolucionales

• Redes Neuronales Convolucionales (CNNs):
• Implementación Interactiva: Visualización y experimentación con operaciones de Capas Convolucionales y Capas de Pooling.
• Implementación Guiada: Diseño y construcción de una CNN básica para clasificación de imágenes (ej. CIFAR-10) en TensorFlow/Keras o PyTorch.
• · Mejorando el Entrenamiento de Modelos Profundos:
  • Ejercicio de Implementación: Aplicación de Normalización por Lotes (Batch Normalization) en una CNN.
  • Aplicación de Data Augmentation: Implementación de técnicas de aumento de datos en datasets de imágenes.
  • Arquitecturas Profundas Notables (Visión general y discusión de innovaciones): LeNet, AlexNet, VGG, ResNet, Inception.
• Transferencia de Aprendizaje (Transfer Learning):
  • Implementación: Uso de redes pre-entrenadas (ej. VGG16, ResNet50) para extracción de características y fine-tuning en nuevas tareas.

Módulo 6 - Aplicaciones en Visión por Computadora

• Introducción a la Visión por Computadora (CV): discusión de tareas y desafíos con ejemplos.
• Aplicación de Herramientas de Procesamiento de Imágenes: Uso de OpenCV y Pillow para carga, manipulación y preprocesamiento de imágenes.
• Clasificación de Imágenes Avanzada:
  • Proyecto de Implementación: Ajuste fino de arquitecturas CNN complejas o modelos pre-entrenados para alta precisión.
  • Localización y Detección de Objetos:
  • Conceptos: Bounding boxes, IoU.
  • Aplicación de Detección de Objetos: Implementación con un modelo pre-entrenado de YOLO (o similar). Análisis de salidas.
• Segmentación de Imágenes:
  • Introducción a Segmentación Semántica y de Instancias.
  • Ejercicio de Aplicación/Demostración: Implementación con un modelo pre-entrenado de U-Net (o similar). Discusión de Mask R-CNN.

Módulo 7 - Procesamiento de Lenguaje Natural (NLP)

• Introducción al Procesamiento de Lenguaje Natural (NLP): discusión de desafíos y tareas comunes con ejemplos.
• Aplicación de Preprocesamiento de Texto: Implementación de Tokenización, stemming, lematización, eliminación de stop words (NLTK, spaCy).
• Representación de Texto (Embeddings):
  • Implementación: Visualización de Bag-of-Words, TF-IDF.
  • Ejercicio con Word Embeddings: Carga y exploración de embeddings pre-entrenados (Word2Vec, GloVe) para análisis de similitud.
• Redes Neuronales Recurrentes (RNNs):
  • Discusión del problema del gradiente desvaneciente/explosivo.
  • Implementación Guiada: Desarrollo de LSTMs y GRUs para clasificación de texto (análisis de sentimiento) en TensorFlow/Keras o PyTorch.
• Mecanismos de Atención y Arquitectura Transformer (Introducción conceptual y demostración).
• Mini-Proyecto de Aplicación en NLP: desarrollo de un clasificador de texto o sistema simple de análisis de sentimiento.di

Módulo 8 - Modelos de Lenguaje Avanzados (LLMs) y Proyecto Final

• Introducción a los Modelos Lingüísticos Avanzados (LLMs): Evolución, arquitecturas, capacidades y limitaciones.
• Funcionamiento de los LLMs: Pre-entrenamiento y Fine-tuning (conceptual y ejemplos).
• Aplicación de LLMs:
• Interacción con APIs de LLMs (ej. OpenAI, Hugging Face) para generación de texto, Q&A, traducción, resumen.
• Ejercicio de Prompt Engineering: Exploración de diseño de prompts efectivos.
• Aplicación de Herramientas y Plataformas: Uso de Hugging Face Transformers para cargar modelos pre-entrenados y realizar inferencia o fine-tuning básico.