Skip to main content
Back to top
Ctrl
+
K
IA Aplicada a Ingeniería - Guía Práctica
IA Aplicada a Ingeniería - Guía Práctica
Introducción a la Ingeniería en IA
Conceptos Básicos de Machine Learning
El Ciclo de Vida de un Proyecto de Machine Learning
Métricas de Evaluación Básicas
Tipos de Datos y Datasets
Configuración de Entornos Locales
Análisis Exploratorio de Datos (EDA) y Preprocesamiento
Introducción al Análisis Exploratorio de Datos (EDA)
Feature Engineering y Limpieza de Datos
Análisis de Correlación y Asociación
Transformaciones y Feature Engineering Avanzado
Escalado y Transformación de Datos
Reducción de Dimensionalidad (PCA)
Detección Avanzada de Anomalías y Ruido
Manejo de Datos Desbalanceados
Auto-EDA: Productividad vs. Criterio de Ingeniería
Visualización Efectiva y Storytelling con Datos
Modelos Clásicos de Machine Learning
Introducción a la Clasificación y Fronteras de Decisión
Clasificación: Modelos Lineales y Basados en Distancias
Clasificación: SVM y el Truco del Kernel
Clasificación: Árboles de Decisión y Reglas Lógicas
Regresión Lineal y Regularización
Regresión No Lineal y el Peligro de la Extrapolación
Optimización de Hiperparámetros y Validación Cruzada
Ensamblado de Modelos: Bagging y Boosting
Pipelines y Prevención de Data Leakage
Selección de Variables y Prototipado Rápido (AutoML)
Reducción de Dimensionalidad: PCA y Reconstrucción
Manifold Learning: Desenrollando Datos con t-SNE y UMAP
Clustering: K-Means, Métricas y Limitaciones Geométricas
Clustering: Modelos Probabilísticos (GMM) y Jerárquicos
Clustering por Densidad: DBSCAN y el Descubrimiento del Ruido
Detección de Anomalías por Error de Reconstrucción (PCA)
Detección de Anomalías: Isolation Forest y LOF
Aprendizaje Semi-Supervisado: Explotando Datos No Etiquetados
Confident Learning: Auditando y Corrigiendo Etiquetas Ruidosas
Casos de Estudio Avanzados: Machine Learning
Confident Learning en Producción: Cleanlab Avanzado para Datos Tabulares
Diagnóstico de Modelos: Curvas de Aprendizaje y Validación
Análisis y Tratamiento de Datos Faltantes: Diagnóstico e Imputación Experta
Feature Engineering: Alta Cardinalidad y Prevención de OOM
Inferencia Causal y Uplift Modeling: Optimizando el ROI
Explainable AI (XAI): Abriendo la Caja Negra con SHAP y LIME
Active Learning vs. Semi-Supervised Learning
TinyML en Producción: Compresión Extrema con emlearn y blackbox2c
Deep Learning
El Perceptrón y las Funciones de Activación: La Unidad Básica del Deep Learning
Inicialización de Pesos y Redes Profundas: Construyendo MLPs Estables
Normalización Batch y Layer: Estabilizando Redes Ultra-Profundas
Optimizadores y Regularización: Dominando la Convergencia y la Generalización
El Ciclo de Entrenamiento y Diagnóstico: Leyendo los Signos Vitales de la Red
El Ecosistema Keras y APIs: Arquitectura de Software en Deep Learning
Callbacks y KerasTuner: Automatizando el Entrenamiento y la Arquitectura
Autoencoders y el Espacio Latente: Más allá de PCA y Detección de Anomalías
Redes Convolucionales y Multi-Task Learning: Analítica de Audiencias en el
Edge
Secuencias y NLP: Embeddings, Conv1D, LSTM y el Manejo del Tiempo
Atención y Transformers: La Arquitectura que Conquistó el Mundo
Transfer Learning y Fine-Tuning: A Hombros de Gigantes
Casos de Estudio Avanzados: Deep Learning
Selección Empírica de Backbones para Transfer Learning
Diseño de la Cabeza de Clasificación y Fine-Tuning Progresivo
Explicabilidad y Grad-CAM (Abriendo la Caja Negra)
Optimización Evolutiva y Algoritmos Genéticos
El Algoritmo Genético desde Cero: Intuición y Mecánica
Exploración de Operadores y el Teorema “No Free Lunch”
Introducción a DEAP: Infraestructura Evolutiva en Python
Optimización Combinatoria: Espacios Discretos y Permutaciones
Estrategias Evolutivas (ES) y Evolución Diferencial (DE)
Inteligencia Colectiva: Enjambres de Partículas (PSO) y Colonias de Hormigas (ACO)
Programación Genética (GP): Evolucionando Estructuras y Ecuaciones
Optimización Multiobjetivo y Frentes de Pareto (NSGA-II)
Modelos de Islas y Mantenimiento de Diversidad (Coevolución Distribuida)
Casos de Estudio Avanzados: Computación Evolutiva Aplicada
GA como Wrapper para Machine Learning (Feature Selection y HPO)
Feature Engineering Automatizado e Interpretable con Programación Genética
Anexo: Datasets del Repositorio
Stroke Prediction Dataset (ACV)
Air Quality Dataset for ADL Classification
Bank Marketing Dataset (BKM)
Body Measurements Dataset (BMD)
Credit Card Fraud Detection Dataset (CCF)
Concrete Compressive Strength Dataset (CCS)
Comentarios Play Store Argentinas (CPS)
ECG5000 Dataset (ECG)
Repository
Open issue
Index