Cris
775d42812d
This README.md file documents the learning process in Artificial Intelligence and Machine Learning, including course objectives, studied topics, technologies used, and main learnings.
3.7 KiB
🤖 Fundamentos de Inteligencia Artificial y Machine Learning
📖 Descripción
Este repositorio documenta mi proceso de aprendizaje en Inteligencia Artificial y Machine Learning, incluyendo notebooks, ejercicios prácticos y experimentos desarrollados durante el curso Fundamentos de IA y Machine Learning.
A lo largo del curso exploré los principales paradigmas del aprendizaje automático, desde modelos supervisados y no supervisados hasta técnicas modernas de visión computacional, procesamiento de lenguaje natural y aprendizaje por refuerzo.
🎯 Objetivos del Curso
- Comprender los fundamentos de la Inteligencia Artificial.
- Construir modelos de clasificación y regresión.
- Evaluar y validar modelos de Machine Learning.
- Aplicar técnicas de optimización y ajuste de hiperparámetros.
- Implementar algoritmos de clustering y reducción de dimensionalidad.
- Introducir conceptos de Deep Learning.
- Explorar aplicaciones de Computer Vision y NLP.
- Comprender los principios básicos del Reinforcement Learning.
📚 Temas Estudiados
🔹 Aprendizaje Supervisado
- Clasificación
- Regresión
- Métricas de validación
- Dataset Iris
- Selección de características
- Ajuste de hiperparámetros
- Ensamble de modelos
🔹 Aprendizaje No Supervisado
- Clustering
- Agrupamiento jerárquico
- Segmentación de clientes
- Reducción de dimensionalidad con PCA
🔹 Visión Computacional
- Representación y procesamiento de imágenes
- Redes Neuronales Convolucionales (CNN)
- Clasificación de imágenes
- Identificación de objetos con MobileNetV2
🔹 Procesamiento de Lenguaje Natural (NLP)
- Fundamentos de NLP
- Transformers
- Aplicaciones prácticas del procesamiento de texto
🔹 Aprendizaje por Refuerzo
- Exploración vs Explotación
- Estrategias de aprendizaje
- Casos de uso empresariales
- Desafíos del Machine Learning moderno
🛠️ Tecnologías Utilizadas
- Python
- Google Colab
- NumPy
- Pandas
- Matplotlib
- Scikit-Learn
- TensorFlow
- Keras
📓 Notebook Principal
El desarrollo completo del curso se encuentra documentado en el notebook principal:
GitHub permite visualizar directamente el notebook con:
- Código fuente
- Explicaciones teóricas
- Resultados
- Tablas
- Gráficas
🚀 Competencias Desarrolladas
✔️ Preparación y análisis de datos
✔️ Construcción de modelos predictivos
✔️ Evaluación y optimización de modelos
✔️ Computer Vision
✔️ Procesamiento de Lenguaje Natural
✔️ Reinforcement Learning
✔️ Desarrollo de proyectos utilizando Google Colab
💡 Principales Aprendizajes
Durante este curso adquirí una visión general del ecosistema de Inteligencia Artificial y Machine Learning, comprendiendo cuándo utilizar técnicas supervisadas, no supervisadas y de aprendizaje profundo para resolver diferentes tipos de problemas.
Además, desarrollé experiencia práctica utilizando herramientas ampliamente empleadas en la industria para análisis de datos, entrenamiento de modelos y experimentación en entornos de ciencia de datos.
👨💻 Autor
Cristian Cruz
Estudiante de tecnología y entusiasta del desarrollo de software, la Inteligencia Artificial y el Machine Learning.
⭐ Si este repositorio te resulta útil o interesante, considera darle una estrella.