.avif){kind=icon}
Machine Learning & AI: Tensores y simulación
Bienvenidos al curso de Machine Learning & AI, a continuación pueden revisar el material completo del curso incluyendo: horarios y ligas de las sesiones en vivo, contacto con los profesores, presentación semanal del curso, repositorio con el código y los datos, notas detalladas de los algoritmos y el planteamiento del reto. Al final también pueden consultar tanto el manual del curso como la bibliografía recomendada para la Ciencia de Datos.
.png)
Semana
1
Modelos multi-modales
.png)
Uno de los problemas más complicados en inteligencia artificial es cuando la fuente de los datos que recibimos no es homogénea en las características que la definen. A este tipo de problemas se les conocen como multi-modales. En esta semana trateremos este tipo de problemas con énfasis en datos que contienen tanto texto como imágenes.
Semana
2
Recurrentes y transformer en series de tiempo
En esta semana estudiaremos modelos auto-regresivos neuronales, en particular las redes LSTM y una arquitectura Transformer que nos permitirá tratar series de tiempo multi-variadas y con horizontes múltiples. Estos modelos son una radical generalización de los modelos tradicionales para series de tiempo estacionarias y también de los modelos clásicos de estados ocultos. Estudiaremos numerosos ejemplos con series de tiempo.
Semana
1
Convoluciones y Graph Neural Networks
En esta semana introduciremos las ideas generales detrás de las redes neuronales convolucionales y las graph neural networks. Las capas convolucionales son ampliamente utilizadas para el procesamiento de imágenes en el que es necesario incluir un prior que describa las relaciones tensoriales entre las características de los registros, estas son un caso general de las GNN las cuales utilizaremos para la valuación de propiedades incluyendo información sobre la localización geográfica.
Semana
4
Deep Reinforcement Learning
En nuestra última semana del curso vamos a estudiar aprendizaje por refuerzo en el caso en el que la función que aproximará a nuestra tabla de valores Q óptima será una red neuronal, estas técnicas han probado ser mucho más eficientes para entrenar modelos en los que nuestra pérdida está asociada con el refuerzo obtenido durante un proceso de simulación, trataremos uno de los casos más célebres en los últimos años que es el de DeepMind para el enfriamiento de un centro de datos..