StochasticAITechniquesClass

Técnicas Estocásticas de Inteligencia Artificial

• Profesor Magistral: Jorge Andrés Alvarado Valencia
• Profesor de Seguimiento: Sergio A. Mora Pardo
  • email: sergioa.mora@javeriana.edu.co
  • github: sergiomorapardo

En esta asignatura se van a presentar los conceptos básicos para la aplicación de modelos estadísticos y procesos estocásticos como herramientas de solución a los problemas de predicción, clasificación y optimización en el campo del aprendizaje de máquina y la inteligencia artificial.

El curso se enfoca en la solución de problemas reales, resaltando ventajas, limitaciones y errores frecuentes en la aplicación de las técnicas.

---

Contenidos Principales

Las técnicas para discutir en el curso son:

• Análisis de Componentes Principales (PCA).
• Modelos de Predicción (Regresión Lineal y Regresión Logística).
• Modelos de Clasificación (incluyendo Modelos Bayesianos).
• Procesos Estocásticos (Cadenas de Markov y Simulación de Montecarlo).

---

Resultados de Aprendizaje

Al finalizar con éxito el curso usted estará en capacidad de:

• Emplear técnicas de reducción de dimensiones para mejorar la calidad de los modelos predictivos.
• Resolver problemas de predicción mediante regresión lineal y logística.
• Resolver problemas de clasificación mediante modelos bayesianos.
• Reconocer algunas aplicaciones de las cadenas de Markov en procesos de aprendizaje en inteligencia artificial.

---

Requisitos

• Python version >= 3.7;
• Numpy, para álgebra lineal y arrays multidimensionales;
• Pandas, para manipulación y análisis de datos;
• Scikit-learn, librería de Machine Learning;
• Matplotlib, para visualización;
• Seaborn, para visualización estadística.
• IPython, con las librerías requeridas para la interfaz de notebooks.

Una opción fácil de instalar que incluye todos estos paquetes (y más) es Anaconda.

---

Evaluación

La evaluación del curso se realizará a través de las siguientes evaluaciones sumativas:

• (25%) Taller - Técnicas Predictivas y Reducción de Dimensiones.
• (25%) Taller - Técnicas de Clasificación.
• (10%) Juego serio (Conceptos de procesos estocásticos).
• (40%) Hackatón (Actividad sincrónica intensiva).

---

Cronograma

| Fecha | Sesión | Notebooks/Presentaciones | Ejercicios | | :---- | :--- | :--- | :--- | | Semana 1 | PCA y reducción de dimensiones | L1: Intro PCA<br>L2: Pipeline PCA<br>L3: Validación Ortogonal | - | | Semana 2 | Regresión Lineal, Regresión Logística y Feature Selection | L4: Regresión Lineal <br>L5: Regresión Logistica <br>L6: Cross Validation & Grid Search| | | Semana 3 | Modelos de Clasificación | L7: Distance Measures <br> L8: KNN <br> L9: Intro Bayesianos & CART | - | | Semana 4 | Procesos Estocásticos | L10: Markov Chains & Monte Carlo Simulations <br> L11: Time Series <br> L12: Multi-horizonts Forecasting | - | | Semana 5 | Hackatón | Presentación Hackatón | Hackatón |

---

Recursos Bibliográficos

Fundamentos (Reducción de dimensionalidad, Regresión y Clasificación)

• Hastie et al. The elements of statistical learning. Springer, 2017.
• Yan, X., Su, X. Linear Regression Analysis: Theory and Computing, World Scientific, 2009.

Aplicaciones Computacionales (ML)

• Kane, F. Hands-On Data Science and Python Machine Learning. Packt Publishing, 2017.
• Hearty, J. Advanced Machine Learning with Python. Packt Publishing, 2016.
• Hackeling, G., Mastering Machine Learning with Scikit-learn. Packt Publishing, 2017.
• Murphy, K.P. Probabilistic Machine Learning: An Introduction. MIT Press, 2021.

Fundamentos (Procesos de Markov y Simulación)

• Cappé, O., Moulines, E., Rydén, T. Inference in Hidden Markov Models. Springer, 2005.
• Li, S. Markov Random Field Modeling in Image Analysis. Springer, 2009.
• Ibe, Oliver. Markov Processes for Stochastic Modeling, Elsevier, 2013.
• Prescott, J., Monte Carlo Simulations: Advanced Techniques, BVR, 2016.

Complementario (Probabilidad y Estadística)

• Walpole, R. Probabilidad y estadística para ingeniería y ciencias. Pearson Educación 9a edición, México, 2012.