Este módulo proporciona una cobertura concreta de las partes principales de IA, incluyendo enfoques de aprendizaje, áreas funcionales en las que se usan los sistemas de IA y una introducción completa a las redes neuronales, cómo existen, cómo trabajan y cómo pueden ser usadas para procesar información. El módulo establece los cinco principales requerimientos de negocio para los que se utilizan los sistemas de IA y las redes neuronales, y luego mapea las prácticas individuales, los enfoques de aprendizaje, las funcionalidades y los tipos de redes neuronales a estas categorías de negocio y unos a otros, de manera que haya un entendimiento claro del propósito y del papel de cada tema que se cubre. El módulo establece un proceso paso a paso para ensamblar un sistema de IA, ilustrando así cómo y cuándo necesitan ser definidos y aplicados los diferentes componentes y prácticas de los sistemas IA con las redes neuronales. Finalmente, el módulo proporciona un conjunto de principios y mejores prácticas clave para los proyectos de IA.

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

Este módulo cubre una serie de prácticas para preparar y trabajar con datos para entrenar y correr sistemas y redes neuronales de IA contemporáneas. Proporciona además técnicas para diseñar y optimizar redes neuronales, incluyendo enfoques para la medición y el ajuste del desempeño de los modelos de redes neuronales. Las prácticas y técnicas están documentadas como patrones de diseño que pueden ser aplicados individualmente o en diferentes combinaciones para abordar una variedad de problemas y requerimientos comunes de los sistemas 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

El módulo proporciona una serie de ejercicios y problemas diseñados para poner a prueba su capacidad para aplicar sus conocimientos sobre los temas tratados en los módulos anteriores. Completar este laboratorio ayudará a resaltar las áreas que requieren mayor atención y ayudará a demostrar el dominio en los conceptos de computación en nube, tecnologías y prácticas, ya que se aplican y se combinan para resolver problemas del mundo real.

Se cubren los siguientes ejercicios:

• Ejercicio de lectura 12.1: Caso de estudio: Big Online Bazaar (BOB) Industries
• Ejercicio de laboratorio 12.2: Preparación de los datos de entrenamiento del modelo
• Ejercicio de laboratorio 12.3: Perfeccionamiento del modelo
• Ejercicio de laboratorio 12.4: Evaluación del desempeño del modelo
• Ejercicio de lectura 12.5: Caso de estudio: Finance Link Connect (FLC) Services
• Ejercicio de laboratorio 12.6: Configuración de la red neuronal
• Ejercicio de laboratorio 12.7: Mejora de las predicciones con características faltantes
• Ejercicio de laboratorio 12.8: Reconocimiento de imágenes y patrones para la protección contra fraudes
• Ejercicio de laboratorio 12.9: Procesamiento de entradas  numéricas y textuales
• Ejercicio de lectura 3.10: Antecedentes del caso de estudio: SocialMeer Media Services
• Ejercicio de laboratorio 12.11: Creación de grupos de usuarios  categorizados e identificación de intereses comunes
• Ejercicio de laboratorio 12.12: Establecimiento de categorías de compradores activos
• Ejercicio de laboratorio 12.13: Segmentación avanzada de usuarios