En este módulo se abordarán los conceptos básicos sobre inteligencia artificial. Luego se enfocará en el estudio de modelos de aprendizaje automático de máquina. Se estudiarán los diferentes esquemas de aprendizaje tales como: supervisado, no supervisado, por refuerzo, y se discutirán las diferencias básicas entre aprendizaje automático clásico y aprendizaje profundo. Desde una perspectiva de alto nivel, se presentarán los diferentes modelos de aprendizaje de máquina existentes en la literatura y utilizados comúnmente en aplicaciones de IA en salud: k-means, SVM, ANN, kNN, random forests, CNN, RNN, autoencoders, modelos de atención, transformers y modelos generativos (GANG y difusión).  

Contenido temático: 

Introducción a la IA: IA general vs IA débil. IA generativa. Definiciones sobre machine learning, deep learning, aprendizaje por refuerzo, etc.

Aprendizaje automático de máquinas: Aprendizaje supervisado vs aprendizaje no supervisado. Regresión y clasificación, aprendizaje en machine learning.

Regresión Lineal: Definición formula y casos de uso.  (interpretabiliad).

Regresión logística: Definición formula y casos de uso.

k-means: Definición y casos de uso.

Arboles de decision: Definición y casos de uso

Modelos no-lineales: machine learning clásico, justificación para el uso de modelos nolinales, random forests , SVM, ANN,.

Redes profundas: CNN, RNN, Modelos de atención y Transformers, ChatGPT.

Modelos generativos: Autoencoders, GANGs, Modelos de Difusion.

Evaluación y selección de modelos.