Especialista en Inteligencia Artificial Examen

Se cubren los siguientes temas principales:

• Factores tecnológicos y de negocio de IA
• Beneficios y retos de IA
• Categorías de problemas de negocio que aborda la IA
• Tipos de IA (angosta, general, simbólica, no simbólica, etc.)
• Enfoques y algoritmos comunes de aprendizaje de la IA
• Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje continuo
• Aprendizaje heurístico, aprendizaje semisupervisado,  aprendizaje por refuerzo
• Diseños funcionales comunes de IA
• Visión por computadora, reconocimiento de patrones Robóticas, procesamiento del lenguaje natural (NLP) Reconocimiento del habla, comprensión del lenguaje natural (NLU)
• Integración sin fricción, integración del modelo de tolerancia a fallas Redes neuronales, neuronas, capas, enlaces, pesos
• Cómo entender los modelos de IA, modelos de entrenamiento y redes neuronales
• Cómo entender la manera en que existen los modelos y las redes neuronales
• Pérdida, hiperparámetros, tasa de aprendizaje, sesgo, época
• Funciones de activación (Sigmoide, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Tipos de células neuronales (de entrada, retroalimentada, ruidosa, escondida, probabilística, en espiga, recurrente, de memoria, de núcleo, convolucional, de grupo, de salida, de coincidencia de entrada, etc.)
• Arquitecturas fundamentales y especializadas de redes neuronales
• Perceptrón, compensación, compensación profunda, autocodificador, recurrente, memoria de corto/largo plazo
• Red convolucional profunda, máquina de aprendizaje extremo, red residual profunda
• Máquina de vector de soporte, red de Kohonen, red de Hopfield
• Red generativa adversarial, máquina en estado líquido
• Cómo construir un sistema de IA (paso a paso)
• Principios comunes de diseño de sistemas de IA y mejores prácticas de proyectos de IA

Se cubren los siguientes temas principales:

• Patrones de manipulación de datos para preparar los datos para la entrada de la red neuronal
• Codificación de características para convertir características categóricas
• Imputación de características para inferir valores de las características
• Escalamiento de características para conjuntos de datos de entrenamiento con características amplias
• Representación de textos para convertir datos preservando las propiedades semánticas y de sintaxis
• Reducción de la dimensionalidad para reducir el espacio de características para la entrada de la red neuronal
• Patrones de aprendizaje supervisado para entrenar modelos de redes neuronales
• Configuración de redes supervisadas para establecer el número de neuronas en las capas de la red
• Identificación de imágenes para usar una red neuronal convolucional
• Identificación de secuencias para usar una red neuronal de memoria de corto/largo plazo
• Patrones de aprendizaje no supervisado para el entrenamiento de modelos de redes neuronales
• Identificación de patrones para identificar visualmente patrones mediante un mapa autoorganizado
• Filtrado de contenidos para generar recomendaciones
• Patrones de evaluación de modelos para medir el desempeño de las redes neuronales
• Evaluación del desempeño de entrenamiento para evaluar el desempeño de las redes neuronales
• Evaluación del desempeño de predicción para predecir el desempeño de las redes neuronales en la producción
• Modelado de referencia para evaluar y comparar redes neuronales complejas
• Patrones de optimización de modelos para refinar y adaptar redes neuronales
• Evitar el sobreajuste para ajustar una red neuronal
• Reentrenamiento frecuente del modelo para mantener una red neuronal en sincronía con los datos actuales
• Aprendizaje por transferencia para acelerar el entrenamiento de redes neuronales