1

Historia del aprendizaje automático y el contexto de Big Data

• Ponga en perspectiva los conceptos de Inteligencia Artificial, aprendizaje automático, etc.
• El vínculo con las matemáticas, la estadística (inferencial), la minería de datos y la ciencia de datos.
• Pasar del análisis descriptivo al predictivo y luego al prescriptivo.
• Aplicaciones de aprendizaje automático (motores de búsqueda, detección de spam, lectura de cheques).
• Tipología de algoritmos de Dominique CARDON.
• La comunidad de la ciencia de datos y los retos de Kaggle (por ejemplo, Netflix).

2

Datos disponibles: recogida y preparación

• Datos estructurados, semiestructurados y no estructurados.
• Naturaleza estadística de los datos (cualitativos o cuantitativos).
• Objetos conectados (IoT) y streaming.
• Oportunidades y límites de los datos abiertos.
• Identificación de correlaciones, el problema de la multicolinealidad.
• Reducción de dimensiones mediante análisis de componentes principales.
• Detección y corrección de valores atípicos.
• ETL (extracción, transformación y carga).
• Web scraping.

3

Herramientas de mercado para el tratamiento de datos y el aprendizaje automático

• El software tradicional (SAS, SPSS, Stata, etc.) y su apertura al código abierto.
• Elija entre los dos líderes del código abierto: Python y R.
• Plataformas en la nube (Azure, AWS, Google Cloud Platform) y soluciones SaaS (IBM Watson, Dataïku).
• Nuevos empleos en empresas: ingeniero de datos, científico de datos, analista de datos, etc.
• Adecuar las competencias a las distintas herramientas.
• API en línea (IBM Watson, Microsoft Cortana Intelligence, etc.).
• Chatbots (agentes conversacionales).

4

Los distintos tipos de aprendizaje automático

• Aprendizaje supervisado: repetir un ejemplo.
• Aprendizaje no supervisado: descubrir los datos.
• Aprendizaje (automático) en línea frente a técnicas por lotes.
• Aprendizaje por refuerzo: optimización de una recompensa.
• Otros tipos de aprendizaje (transferencia, secuencial, activo, etc.).
• Ilustraciones (motores de recomendación, etc.).

5

Algoritmos de aprendizaje automático

• Regresión lineal simple y múltiple. Limitaciones de los enfoques lineales.
• Regresión polinómica (LASSO). Series temporales.
• Regresión logística y aplicaciones de puntuación.
• Clasificación jerárquica y no jerárquica (KMeans).
• Clasificación mediante árboles de decisión o el método Naïve Bayes.
• Ramdom Forest (desarrollo de árboles de decisión).
• Refuerzo gradual. Redes neuronales. Máquina de soporte vectorial.
• Deep Learning: ejemplos y razones del éxito actual.
• Minería de textos: análisis de corpus de datos textuales.

6

Procedimiento de entrenamiento y evaluación del algoritmo

• Separación de conjuntos de datos: formación, prueba y validación.
• Técnicas Bootstrap (bagging).
• Ejemplo de validación cruzada.
• Definición de una métrica de rendimiento.
• Descenso de gradiente estocástico (minimización métrica).
• Curvas ROC y de elevación para evaluar y comparar algoritmos.
• Matriz de confusión: falsos positivos y falsos negativos.

7

Elaboración de un algoritmo de aprendizaje automático

• Descripción de una plataforma de Big Data.
• Cómo funcionan los PLC.
• Del desarrollo a la producción.
• Estrategia de mantenimiento correctivo y evolutivo.
• Evaluación de los costes de explotación de la producción.

8

Aspectos éticos y jurídicos de la Inteligencia Artificial

• Competencias de la CNIL y evolución futura.
• Derecho de acceso a los datos personales.
• La cuestión de la propiedad intelectual de los algoritmos.
• Nuevas funciones en la empresa: Director de Datos y Responsable de Protección de Datos.
• La cuestión de la imparcialidad de los algoritmos.
• Cuidado con el sesgo de confirmación.
• Sectores y profesiones afectados por la automatización.