2.1.12 AI/Aprendizaje Profundo, RL y Ética

Temas:
Core

• Aprendizaje profundo:
  1. Redes feed-forward profundas (solo intuición, sin matemáticas)
  2. Redes neuronales convolucionales (solo intuición, sin matemáticas)
  3. Visualización de representaciones de características aprendidas de redes profundas
  4. Otras arquitecturas (NN generativas, NN recurrentes, transformers, etc.)
• Visión general de los métodos de aprendizaje por refuerzo
• Dos o más aplicaciones de algoritmos de aprendizaje automático:
  1. Por ejemplo, medicina y salud, economía, visión, lenguaje natural, robótica, juego
• ética para el Aprendizaje Automático:
  1. Continuar enfocándose en datos reales, escenarios reales y estudios de caso
  2. Privacidad
  3. Equidad
  4. Propiedad intelectual
  5. Explicabilidad

Aprendizaje esperado (Learning Outcomes):
Core:

1. Visualizar el progreso del entrenamiento de una red neuronal a través de curvas de aprendizaje en un kit de herramientas establecido (por ejemplo, TensorBoard) y visualizar las características aprendidas de la red [Aplicar]

NonCore:

1. Dada una aplicación real de aprendizaje automático, describir problemas éticos respecto a las elecciones de datos, pasos de preprocesamiento, selección de algoritmo y visualización/presentación de resultados [Aplicar]