Fundamentos y aplicaciones de inteligencia artificial


Bienvenida

Competencia


Aplica conocimientos de inteligencia artificial integrando sus principales herramientas para el desarrollo de aplicaciones para la industria.

Contenido


Pasa el cursor sobre la imagen para ingresar a los temas.


Actividad integradora


Competencia de la credencial:

Aplica conocimientos de inteligencia artificial integrando sus principales herramientas para el desarrollo de aplicaciones para la industria.

Instrucciones:

  1. Selecciona y justifica un problema de tu interés, donde puedas identificar claramente todos los datos que lo describen.
    Ejemplo de proyectos:
    • El desempeño de alumnos durante exámenes.
    • Seguimiento del estado de una criptomoneda.
    • Los libros más vendidos en una temporada.
  2. Recopila la mayor cantidad de datos que puedas sobre el problema seleccionado o busca un dataset existente en la red. La cantidad de datos recopilados debe ser de un valor lo suficientemente alto.
  3. Agrupa los datos recopilados en un fichero tipo texto que pueda ser importado a Python, por ejemplo “csv” (Comma Separated Values).
  4. Importa el fichero de datos al entorno de trabajo y realiza las siguientes operaciones:
    • Importa las librerías NumPy, Pandas y Matplotlib a tu notebook.
    • Genera un Dataframe con los datos incluidos en el fichero de datos obtenido en el punto anterior.
  5. En función del tipo de problema que estás analizando, supón un modelo de inteligencia artificial de los vistos en el primer Microcourse que pueda adecuarse a tu caso.
  6. Después accede a la plataforma IBM Cloud con tu cuenta educativa y genera un nuevo proyecto de Watson Studio.
  7. Navega hasta la opción de activos y agrega un nuevo experimento de AutoAI a tu proyecto. Incorpora una nueva fuente de datos al proyecto e importa el archivo “csv” generado empleado en los puntos anteriores. En la sección de configuración indícale que información deseas que devuelva una vez generado el modelo. Recuerda que AutoAI puede utilizar los modelos de clasificación binaria, clasificación multiclase y regresión.
  8. Ejecuta el experimento y analiza las métricas de evaluación. Selecciona el modelo que muestre un mejor desempeño (considera de manera prioritaria los valores de exactitud y precisión) y guárdalo en tu proyecto principal.
  9. Finalmente, compara si el modelo propuesto por el AutoIA coincide con el supuesto en el punto cinco.

Criterios de evaluación:

  1. Desarrolla las operaciones de Python indicadas.
  2. Obtiene información relevante de los datos analizados.
  3. Genera el proyecto en Watson Studio y agrega el experimento de AutoAI.
  4. Incorpora el conjunto de datos al experimento y realiza las configuraciones indicadas.
  5. Ejecuta, analiza y selecciona el modelo que mejor desempeño mostró de acuerdo con las métricas entregadas.