Inteligencia Artificial Aplicada

Campos de la Inteligencia Artificial. Machine learning vs Deep learning. Paradigmas dentro de algos de Machine learning. Repaso de estadística, test de hipótesis. 

Modelo de Regresión lineal y regresión multivariada, medición de homocedasticidad y heterocedasticidad de los errores, inflación de la varianza, conceptos de multicolinealidad y autoregresión, gráficos QQ y lagplots de autoregresión, conceptos de entropia y gini

Modelos de aprendizaje supervisado I - Clasificación: Métricas de performance de modelos, matriz de confusión, under/overfiting, Arboles de decision y random forest (+bootstraping). OverSampling y UnderSampling, ejemplos con modelo predictivo en finanzas via indicadores de precio/volumen tanto para set balanceados como desbalanceados. Distintas mediciones de performance de los modelos out of sample e interpretación de los errores en estos modelos para series de tiempo autoregresivas.

Modelos de aprendizaje supervisado II - Clasificación: Regresion Logistica, concepto y funcion sigmoide. Concepto de perceptrón relacionado a estas regresiones. Modelo supervisado de SVM concepto y visualización de kernels no lineales en 3d, aplicación a modelo predictivo en finanzas.

Concepto de aprendizaje no supervisado. Tipos de problemas a resolver. Reducción de dimensionalidad, PCA. Dendrogramas y Modelos de Agrupamiento por Clusters Jerárquicos. Ejemplo para análisis fundamental quantitativo. Visualización y medición de geometrias no euclideas y aplicaciones de las mismas en modelos de machine learning no supervisados.

Modelos de aprendizaje No supervisado: Agrupamientos geométricos para clusterizacion, Kmeans, Mezclas gaussinanas, Criterios para optimizar nro de clusters, elbow curves, siluetas, criterios BIC y AIC, MeanShift, DBScan, ejemplo aplicado de clusterización geométrica para segmentar zonas de regresión

Integración de un modelo pre-entrenado con una IA para realizar predicciones en tiempo real interactuando con una base de datos y el data feed de un mercado en tiempo real, digrama de flujo de toda la integración del proceso y el re-entrenamiento del modelo

Modelos de IA para reducir dimensionalidad de problemas de muy alta dimensionalidad, algoritmos de análisis de componentes principales (PCA), Descomposición del valor singular (SVD), Análisis discriminante lineal (LDA), Isomap, LLE etc.

Redes neuronales y deep learning. Conceptos del perceptrón, inputs y outputs de una red neuronal, armado y morfología de una red neuronal recurrente, ejemplos prácticos aplicados en finanzas usando frameworks para la construccion de redes neuronales usando tensorflow.

Cloud computing para entrenar modelos de IA, google cloud y amazon web services. Conceptos de computacion matricial y tensorial y ventajas del uso de GPUs y TPUs en entrenamiento de modelos de IA. Ejemplos con google colab entrenando modelos con GPUs y TPUs en la nube de modo gratuito y explicación de sus limitaciones.

Introducción a la computación cuántica. Conceptos básicos de física cuántica, repaso conceptual de las propiedades de la física (superposición, entrelazamiento) que dan origen a los circuitos, compuertas y computación cuántica. Ordenadores cuánticos, que es un cubit, simuladores de ordenadores cuánticos, uso gratuito de ordenadores cuánticos en la nube (IBM quantum cloud service & AWS Quantum Computing - Braket). Aleatoriedad computacional física vs pseudoaleatoriedad de la computación convencional, posibles usos. Principales algoritmos cuánticos, Algoritmo de Shor y usos de la transformada cuántica de fourier