Metodología para la IA aplicada

  1. Comprender cómo funciona el análisis
  2. Usar el análisis de datos de manera efectiva en el aprendizaje automático
  3. Determinar lo que la IA puede lograr

  1. El proceso de la ciencia de datos
  2. Aprendizaje automático en los negocios
  3. Captura de datos
  4. Preparación de datos
  5. Visualización de datos
  6. Inferencia
  7. Ingeniería de datos
  8. Enfoque de base de reglas vs. enfoque de ciencia de datos

  1. Introducción al diseño de sistemas de IA
    1. Objetivos comerciales y de ML
    2. Requisitos para los sistemas de IA
    3. Proceso iterativo
    4. Enmarcando problemas de IA
    5. Mente vs. datos
  2. Fundamentos de ingeniería de datos
    1. Fuentes de datos
    2. Formatos de datos
    3. Modelos de datos
    4. Motores de almacenamiento y procesamiento de datos
    5. Modos de flujo de datos
    6. Procesamiento por lotes vs. procesamiento continuo
  3. Datos de entrenamiento
    1. Muestreo
    2. Etiquetado
    3. Desequilibrio de clases
    4. Aumento de datos
  4. Ingeniería de características
    1. Funciones aprendidas frente a funciones diseñadas
    2. Características comunes Operaciones de ingeniería
    3. Fuga de datos
    4. Buenas características de ingeniería
  5. Desarrollo de modelos y evaluación fuera de línea
    1. Desarrollo y entrenamiento de modelos
    2. Modelo de evaluación fuera de línea
  6. Servicio de predicción y despliegue de modelos
    1. Mitos sobre la implementación del aprendizaje automático
    2. Predicción por lotes vs. predicción en línea
    3. Compresión de modelos
    4. ML en la nube y en local
  7. Bias en la distribución de datos y monitoreo
    1. Causas de fallos en un sistema de IA
    2. Bias en la distribución de datos
    3. Monitoreo y observabilidad
  8. Aprendizaje continuo y prueba en producción
    1. Aprendizaje continuo
    2. Prueba en producción
  9. Infraestructura y herramientas para MLOps
    1. Almacenamiento y computación
    2. Entorno de desarrollo
    3. Administracion de recursos
    4. Plataforma de aprendizaje automático
    5. Construir frente a comprar
  10. El lado humano de la IA
    1. Experiencia de usuario
    2. Estructura de equipo
    3. IA responsable

  1. Introducción a XAI
  2. Definición de métodos y enfoques de explicación
  3. Evaluación de la calidad de los métodos de explicabilidad
  4. Tipos de métodos de explicabilidad del modelo
  5. Métodos de extracción de conocimiento
  6. Métodos basados ​​en la influencia
  7. Métodos basados ​​en ejemplos

  1. Perfil de ingeniero de IA
  2. Factores importantes
    1. Aclarar las diferencias entre un científico de datos y un ingeniero de IA
    2. Centrarse en la simplicidad en todo el trabajo del proyecto para reducir el riesgo
    3. Aplicación de fundamentos ágiles al trabajo de proyectos de IA
    4. Diferencias y similitudes entre DevOps y MLOps
  3. Planificación y alcance de un proyecto
  4. Comunicación y logística del proyecto
  5. Planificación e investigación de un proyecto de IA
  6. Probar y evaluar un proyecto de IA
  7. Pasar de prototipo a MVP

Métodos y herramientas en IA

IA aplicada a las Ciencias