Inteligencia artificial con Python

Índice

CONTENIDO

Prefacio

Antes de comenzar a leer este libro

Prólogo

Agradecimientos

CAPÍTULO 1. Fundamentos de la IA

1.1 Definición y alcance de la inteligencia artificial

1.2 ¿Qué es un sistema de aprendizaje?

1.3 La ecuación del aprendizaje automático

1.4 Generalización: el objetivo definitivo

1.5 Tipos de sistemas de aprendizaje

1.6 El ecosistema técnico de Python

1.7 Entorno de trabajo: Jupyter Notebooks

CAPÍTULO 2. Introducción al proyecto de datos

2.1 Metodología de proyecto (CRISP-DM)

   2.1.1 FASE 1: Business Understanding (comprensión del negocio)

   2.1.2 FASE 2: Data Understanding (comprensión de los datos)

   2.1.3 FASE 3: Data Preparation (preparación de los datos)

   2.1.4 FASE 4: Modeling (modelado)

   2.1.5 FASE 5: Evaluation (evaluación)

   2.1.6 FASE 6: Deployment (implantación/puesta en producción)

2.2 Relación entre proyecto de datos y sistema de aprendizaje

2.3 De los datos al conocimiento

CAPÍTULO 3. Análisis exploratorio de datos (EDA)

3.1 La importancia de la exploración previa

   3.1.1 Objetivos del EDA. ¿Qué se busca en el EDA?

   3.1.2 Las 3 grandes fases del EDA

3.2 FASE 1: La radiografía general

3.3 FASE 2: Análisis univariante

3.4 FASE 3: Análisis bivariante y multivariante

   3.4.1 Numérica vs. numérica (Scatter Plot)

   3.4.2 Numérica vs. categórica

   3.4.3 Matriz de correlación y mapa de calor

3.5 Lista de comprobación final (checklist)

CAPÍTULO 4. Preprocesamiento: preparando los ingredientes

4.1 Limpieza de datos

   4.1.1 Valores nulos

   4.1.2 Duplicados y valores incoherentes

4.2 Transformación de variables categóricas

   4.2.1 Label Encoding (con orden lógico)

   4.2.2 One-Hot Encoding y variables dummy

   4.2.3 ¿Qué es la Curse of Dimensionality?

   4.2.4 Cuándo usar cada opción

4.3 Escalado de valores (Feature Scaling)

   4.3.1 Formas de escalar

   4.3.2 Qué escalador elegir

4.4 La regla de oro: Train/Test Split (entrenamiento y prueba)

   4.4.1 La analogía: El estudiante y el examen

   4.4.2 Cómo se hace en Python (Scikit-learn)

   4.4.3 Fugas de información (Data Leakage)

   4.4.4 ¿Qué porcentaje usar?

   4.4.5 Automatización del flujo mediante Pipelines

4.5 Checklist final de preprocesamiento

CAPÍTULO 5. Aprendizaje supervisado (parte I). Regresión

5.1 Introducción al aprendizaje supervisado

5.2 Regresión. ¿Cómo predecir el futuro?

   5.2.1 Regresión lineal simple

   5.2.2 Regresión polinómica

   5.2.3 Regresión múltiple

5.3 Regularización: Los frenos de mano

   5.3.1 Resolución algebraica mediante la ecuación normal

   5.3.2 Estabilidad numérica a través de Ridge (L2)

5.4 Métricas de evaluación en regresión

   5.4.1 MAE (Mean Absolute Error)

   5.4.2 RMSE (Root Mean Squared Error)

   5.4.3 R² (R-cuadrado o coeficiente de determinación)

5.5 Optimización: El descenso del gradiente

CAPÍTULO 6. Aprendizaje supervisado (parte II). Clasificación

6.1 Modelos probabilísticos

   6.1.1 Regresión logística (Logistic Regression)

   6.1.2 Naive Bayes

6.2 Modelos geométricos

   6.2.1 KNN (K-Nearest Neighbors)

   6.2.2 SVM (Support Vector Machine)

6.3 Evaluación: ¿Cómo saber si el modelo es correcto?

   6.3.1 Matriz de confusión: La realidad frente a la predicción

   6.3.2 Métricas clave: Precisión, exhaustividad y exactitud

   6.3.3 Conceptos relacionados con la evaluación

CAPÍTULO 7. Aprendizaje supervisado (parte III). Ensemble Learning

7.1 Introducción a la fuerza del equipo

7.2 El ladrillo fundamental: el árbol de decisión (Decision Tree)

   7.2.1 ¿Para qué sirve un árbol de decisión?

   7.2.2 Anatomía de un árbol

   7.2.3 El mecanismo de aprendizaje (la impureza de Gini)

   7.2.4 El gran peligro: El Overfitting

7.3 Implementación en Python (clasificación)

7.4 Árboles de regresión

   7.4.1 Lógica interna: Agrupar y promediar

   7.4.2 Criterio de división (reducción de varianza)

7.5 El dilema del sesgo y la varianza (Bias-Variance Tradeoff)

7.6 Random Forest (la solución a la varianza)

   7.6.1 Mecánica de funcionamiento

   7.6.2 Estrategias de descorrelación

7.7 XGBoost: aprender de los errores (la solución al sesgo)

   7.7.1 Mecanismo de optimización

CAPÍTULO 8. Optimización: Ajuste del modelo (hiperparámetros)

8.1 Overfitting frente a Underfitting: El equilibrio del aprendizaje

   8.1.1 Underfitting (subajuste) = «El vago»

   8.1.2 Overfitting (sobreajuste) = «El que se pasó de listo»

   8.1.3 El ajuste óptimo (generalización) = «El que entiende»

8.2 Parámetros frente a hiperparámetros (analogía del DJ)

8.3 Validación cruzada (Cross-Validation)

8.4 Estrategias de ajuste (Tuning)

   8.4.1 Grid Search: el método exhaustivo

   8.4.2 Random Search: el método intuitivo

   8.4.3 Implementación en Python

CAPÍTULO 9. Aprendizaje no supervisado

9.1 Introducción: Aprendiendo sin respuestas

   9.1.1 La diferencia técnica

   9.1.2 ¿Para qué sirve si no puede predecir el futuro?

   9.1.3 El reto matemático

9.2 La distancia euclidiana

   9.2.1 ¿Por qué «euclidiana»?

   9.2.2 Fórmula general

   9.2.3 ¿Para qué se usa en programación o IA?

9.3 K-Means Clustering: La forma básica

   9.3.1 Paso a paso del algoritmo K-Means

   9.3.2 ¿Qué es K-Means++?

   9.3.3 Criterio de convergencia en Scikit-learn

   9.3.4 Ejemplo de implementación en Python

   9.3.5 Bucle de validación con Silhouette Score

9.4 DBSCAN vs. HDBSCAN: Agrupar por densidad

   9.4.1 DBSCAN: El organizador estricto

   9.4.2 HDBSCAN: El organizador adaptable

   9.4.3 Tabla comparativa

   9.4.4 ¿Cuándo usar cada uno?

9.5 Evaluación de clusters

   9.5.1 Inercia (SSE – Suma de errores al cuadrado)

   9.5.2 Método del codo (Elbow Method)

   9.5.3 Índice de Silhouette

   9.5.4 Calinski-Harabasz y Davies-Bouldin

9.6 PCA: Reducción de dimensiones

   9.6.1 El problema: La maldición de la dimensión

   9.6.2 La solución: PCA actúa como un «fotógrafo»

   9.6.3 El concepto técnico: Proyectar la varianza

   9.6.4 Código: Visualizando lo imposible

CAPÍTULO 10. Deep Learning (redes neuronales)

10.1 El perceptrón (la neurona artificial)

   10.1.1 Anatomía de una neurona

   10.1.2 La fórmula matemática

10.2 Programación de una neurona desde cero

10.3 Funciones de activación

10.4 Arquitectura: construcción de la red

10.5 Backpropagation y el proceso de aprendizaje

10.6 Tipos de redes neuronales

10.7 Primera red neuronal con Keras y TensorFlow

CAPÍTULO 11. Inteligencia artificial generativa

11.1 ¿Qué es la inteligencia artificial generativa?

11.2 Aplicaciones de la IA generativa en ciencia de datos

11.3 Los modelos de difusión (Diffusion Models)

   11.3.1 Proceso de entrenamiento y generación

   11.3.2 Implementación conceptual en Python

11.4 Transformers y el lenguaje natural

   11.4.1 Implementación conceptual de la atención

11.5 Sinergia: Difusión y Transformers

11.6 Redes generativas antagónicas (GAN)

11.7 Modelos autorregresivos (Autoregressive Models)

11.8 Resumen de arquitecturas generativas

CAPÍTULO 12. Profesionalizando la IA: Del laboratorio al mundo real

12.1 Pipelines (canalizaciones de datos)

   12.1.1 La analogía de la depuradora de agua

   12.1.2 Estructura de un Pipeline

   12.1.3 Validación y ajuste del Pipeline

12.2 Data Leakage (fuga de información)

12.3 Persistencia (Joblib): «Guardar la partida»

   12.3.1 ¿Cómo funciona la serialización?

   12.3.2 Implementación del guardado y carga en Python

12.4 Del código a la aplicación web: Streamlit

   12.4.1 ¿Qué es Streamlit?

   12.4.2 Construcción de una aplicación predictiva

ANEXOS

A. Fundamentos estadísticos y matemáticos para IA

B. Cálculo matricial con NumPy

C. Manipulación de datos con Pandas

D. Machine Learning con Scikit-learn