1

Introducción a la IA, el aprendizaje automático y el aprendizaje profundo

• La historia, los conceptos básicos y las aplicaciones de la Inteligencia Artificial están muy lejos de las fantasías que rodean este campo.
• Inteligencia colectiva: agregar conocimientos compartidos por un gran número de agentes virtuales.
• Algoritmos genéticos: desarrollo de una población de agentes virtuales mediante selección.
• Aprendizaje automático común: definición.
• Tipos de tareas: Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje por refuerzo.
• Tipos de acciones: clasificación, regresión, agrupación, estimación de la densidad, reducción de la dimensionalidad.
• Ejemplos de algoritmos de aprendizaje automático: regresión lineal, Naive Bayes, árbol aleatorio.
• Aprendizaje automático frente a aprendizaje profundo: ¿por qué el aprendizaje automático sigue siendo el más avanzado (Random Forests y XGBoosts)?

2

Conceptos fundamentales de una red neuronal

• Recordatorio de matemáticas básicas.
• La red neuronal: arquitectura, funciones de activación y ponderación de las activaciones anteriores...
• Aprendizaje de una red neuronal: funciones de coste, retropropagación, descenso de gradiente estocástico...
• Modelización de una red neuronal: modelización de los datos de entrada y salida en función del tipo de problema.
• Comprender una función mediante una red neuronal. Comprender una distribución mediante una red neuronal.
• Aumento de datos: ¿cómo equilibrar un conjunto de datos?
• Generalización de los resultados de una red neuronal.
• Inicialización y regularización de una red neuronal: Regularización L1/L2, Normalización por lotes.
• Algoritmos de optimización y convergencia.

3

Herramientas comunes de aprendizaje automático y aprendizaje profundo

• Herramientas de gestión de datos: Apache Spark, Apache Hadoop.
• Herramientas comunes de aprendizaje automático: Numpy, Scipy, Sci-kit.
• Frameworks de DL de alto nivel: PyTorch, Keras, Lasagne.
• Marcos de DL de bajo nivel: Theano, Torch, Caffe, Tensorflow.

4

Redes neuronales convolucionales (CNN)

• Presentación de las CNN: principios fundamentales y aplicaciones.
• Funcionamiento básico de una CNN: capa convolucional, uso de un núcleo, padding y stride, etc.
• Estado del arte de las arquitecturas CNN para la clasificación de imágenes: LeNet, redes VGG, red en red, etc.
• Utilización de un modelo de atención.
• Aplicación a un escenario de clasificación común (texto o imagen).
• CNN para generación: superresolución, segmentación píxel a píxel.
• Principales estrategias de aumento de los mapas de características para generar una imagen.

5

Redes neuronales recurrentes (RNN)

• Presentación de las RNN: principios fundamentales y aplicaciones.
• Funcionamiento básico de la RNN: activación oculta, retropropagación en el tiempo, versión desplegada.
• Desarrollos hacia GRU (Gated Recurrent Units) y LSTM (Long Short Term Memory).
• Problemas de convergencia y gradiente evanescente.
• Tipos de arquitecturas clásicas: predicción de una serie temporal, clasificación, etc.
• Arquitectura del codificador y decodificador RNN. Utilización de un modelo de atención.
• Aplicaciones PNL: codificación de palabras/caracteres, traducción.
• Aplicaciones de vídeo: predicción de la siguiente imagen generada en una secuencia de vídeo.

6

Modelos generacionales: VAE y GAN

• Presentación de los modelos generacionales Variational AutoEncoder (VAE) y Generative Adversarial Networks (GAN).
• Autocodificador: reducción de la dimensionalidad y generación limitada.
• Variational AutoEncoder: modelo generacional y aproximación de la distribución de datos.
• Definición y uso del espacio latente. Truco de reparametrización.
• Fundamentos de las redes generativas adversariales.
• Convergencia de un GAN y dificultades encontradas.
• Convergencia mejorada: Wasserstein GAN, BeGAN. Distancia de movimiento de tierras.
• Aplicaciones para generar imágenes o fotografías, generación de texto, superresolución.

7

Aprendizaje por refuerzo profundo

• Aprendizaje por refuerzo.
• Utilización de una red neuronal para comprender la función de estado.
• Deep Q Learning: repetición de experiencias y aplicación al control de videojuegos.
• Optimización de la política de aprendizaje. Dentro y fuera de la política. Arquitectura crítica de actores. A3C.
• Aplicaciones: control de un videojuego sencillo o de un sistema digital.