2.1.8 AI/Aprendizaje Automático I: Fundamentos

Temas:
Core

• Definición y ejemplos de una amplia variedad de tareas de aprendizaje automático:
  1. Aprendizaje supervisado:
     1. Clasificación
     2. Regresión
  2. Aprendizaje por refuerzo
  3. Aprendizaje no supervisado:
     1. Agrupamiento
• Ideas fundamentales:
  1. Teorema de no hay almuerzo gratis: ningún aprendiz puede resolver todos los problemas; las decisiones de diseño de representación tienen consecuencias.
  2. Fuentes de error e indecidibilidad en el aprendizaje automático
• Un aprendizaje supervisado simple basado en estadísticas como regresión lineal o árboles de decisión:
  1. Enfocarse en cómo funcionan sin entrar en detalles matemáticos o de optimización; suficiente para entender y usar implementaciones existentes correctamente
• El problema del sobreajuste/control de la complejidad de la solución (regularización, poda - solo intuición):
  1. El compromiso entre sesgo (subajuste) - varianza (sobreajuste)

Aprendizaje esperado (Learning Outcomes):
Core:

1. Describir las diferencias entre los tres estilos principales de aprendizaje (supervisado, por refuerzo y no supervisado) y determinar cuál es apropiado para un dominio de problema particular [Explicar]
2. Diferenciar los términos: IA, aprendizaje automático y aprendizaje profundo [Evaluar]
3. Formular una aplicación como un problema de clasificación, incluyendo las características de entrada disponibles y la salida a predecir (por ejemplo, identificar caracteres alfabéticos a partir de entrada de cuadrícula de píxeles) [Aplicar]
4. Identificar el sobreajuste en el contexto de un problema y curvas de aprendizaje y describir soluciones al sobreajuste [Evaluar]
5. Explicar cómo funciona el aprendizaje automático como un proceso de optimización/búsqueda [Explicar]