Objetos de estudio del Grupo TAO

Para poder aprender sobre inteligencia artificial (IA) y tener una visión de conjunto clara, es útil seguir una ruta de aprendizaje que abarque los fundamentos teóricos y prácticos, así como las herramientas clave en el campo. Aquí hay una posible ruta, diseñada para darte una visión amplia y preparartnos en la inteligencia artificial:

1. Fundamentos Matemáticos

• Álgebra Lineal: Vectores, matrices, transformaciones lineales (para entender redes neuronales, aprendizaje profundo, etc.).
• Cálculo: Derivadas parciales, gradientes, optimización (para comprender el descenso por gradiente y funciones de costo).
• Estadística y Probabilidad: Distribuciones, teoremas fundamentales, inferencia, modelos probabilísticos (importante para el aprendizaje automático).
• Teoría de la Información: Entropía, divergencia de Kullback-Leibler (para entender modelos como redes neuronales bayesianas).

2. Fundamentos de Programación y Herramientas

• Lenguajes de Programación: Python es el más utilizado para IA por su amplio soporte de bibliotecas como TensorFlow, PyTorch, scikit-learn, etc.
• Herramientas para el Desarrollo de IA:
  • Jupyter Notebooks: Ideal para proyectos educativos y exploración interactiva de código.
  • Bibliotecas:
    • Numpy, Pandas: Manipulación de datos.
    • Matplotlib, Seaborn: Visualización de datos.
    • TensorFlow, PyTorch: Frameworks de aprendizaje profundo.
    • Scikit-learn: Herramienta estándar para modelos de aprendizaje automático.

3. Aprendizaje Automático (Machine Learning)

• Conceptos Clave:
  • Modelos supervisados y no supervisados.
  • Regresión lineal y logística.
  • Clasificación: SVM, k-NN, árboles de decisión.
  • Clustering: k-means, DBSCAN.
  • Validación cruzada y métricas de evaluación (accuracy, F1-score, AUC, etc.).
• Flujo de trabajo típico de ML: Preprocesamiento de datos, selección de características, entrenamiento y validación del modelo, ajuste de hiperparámetros, implementación.

4. Aprendizaje Profundo (Deep Learning)

• Redes Neuronales:
  • Neuronas artificiales, funciones de activación.
  • Propagación hacia adelante y retropropagación.
• Arquitecturas:
  • Redes Neuronales Convolucionales (CNN): Para tareas de visión por computadora.
  • Redes Neuronales Recurrentes (RNN) y LSTM: Para secuencias temporales.
  • Transformers: Para procesamiento de lenguaje natural (PNL).
• Entrenamiento: Descenso por gradiente, regularización, aprendizaje por transferencia.
• Aplicaciones: Reconocimiento de imágenes, generación de texto, modelos de lenguaje (GPT, BERT).

5. Procesamiento de Lenguaje Natural (PNL)

• Técnicas Fundamentales:
  • Modelos de bolsa de palabras (Bag of Words), TF-IDF.
  • Embeddings de palabras (Word2Vec, GloVe).
• Modelos Modernos: Modelos basados en transformadores como BERT y GPT.
• Aplicaciones: Chatbots, análisis de sentimientos, traducción automática, resumen de texto.

6. Visión por Computadora

• Técnicas Clásicas: Detección de bordes, SIFT, SURF, histogramas de gradientes.
• Redes Convolucionales: Clasificación de imágenes, segmentación, detección de objetos.

7. Aprendizaje por Refuerzo

• Conceptos Básicos: Política, recompensas, valores Q.
• Algoritmos: Q-Learning, SARSA, DDPG, Actor-Critic.
• Aplicaciones: Juegos (AlphaGo), sistemas de recomendación, robótica.

8. Aspectos Éticos y Consideraciones Prácticas

• Ética en IA: Sesgos en los modelos, privacidad, transparencia en los algoritmos.
• Impacto en la Sociedad: Automatización, desempleo, decisiones algorítmicas.

9. Herramientas de Enseñanza y Gamificación

• Gamificación en IA: Usar plataformas como Kahoot o simuladores interactivos para enseñar conceptos de IA de manera dinámica.
• Plataformas Educativas: Uso de herramientas como Moodle, Google Colab, y Kaggle para tareas y competencias de código en el aula.

10. Proyectos Prácticos y Competencias

• Kaggle: Participar en competencias o usar datasets públicos para practicar.
• Proyectos Fin de Curso: Implementar modelos de IA en proyectos reales como asistentes virtuales, sistemas de recomendación, etc.

11. Lecturas y Recursos

• Libros:
  • "Deep Learning" by Ian Goodfellow.
  • "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" by Aurélien Géron.
• Cursos Online:
  • Coursera: "Deep Learning Specialization" por Andrew Ng.
  • edX: "AI for Everyone".
  • Fast.ai: Curso de Deep Learning.

12. Mapeo Conceptual

Finalmente, para armar tu propio mapa conceptual, te sugiero organizar los temas en categorías como:

• Fundamentos Matemáticos y Algoritmos.
• Herramientas de Desarrollo y Frameworks.
• Aplicaciones de IA.
• Ética y Sociedad.