Programas y ejemplos varios de IA
En este Jupyter Notebook vamos a aplicar un ejemplo sencillo de modelo de regresión lineal utilizando Python y scikit-learn. El objetivo es predecir una variable continua a partir de otras características numéricas, siguiendo el ciclo habitual de trabajo en machine learning.
Este Jupyter Notebook implementa y compara tres modelos de clasificación supervisada (regresión logística, k-vecinos y árbol de decisión) aplicados al conjunto de datos breast_cancer incluido en scikit-learn. Incluye análisis exploratorio, tratamiento de clases desbalanceadas, evaluación con métricas estándar y guardado del modelo más preciso.
Este notebook muestra un ejemplo educativo de algoritmos evolutivos, aplicados al diseño de un divisor de tensión resistivo que debe alcanzar un valor de salida concreto sin superar un límite de corriente. El problema es sencillo y puede resolverse también mediante búsqueda exhaustiva, incluida en el propio notebook para comparar resultados.
El objetivo principal es ilustrar cómo funcionan los algoritmos evolutivos (representación de individuos, selección, cruce, mutación y elitismo) en un caso práctico del ámbito de la electrónica, usando resistencias de la serie E12.
El notebook contiene:
- Una implementación completa con algoritmos evolutivos.
- Una solución equivalente mediante fuerza bruta.
- Comparación de resultados entre ambos métodos.
Este notebook muestra un ejemplo educativo de algoritmos evolutivos aplicados al diseño de un filtro RC paso bajo, cuyo objetivo es aproximar una frecuencia de corte deseada utilizando únicamente valores comerciales normalizados (serie E12) de resistencias y condensadores.
El problema se plantea como la búsqueda de combinaciones R–C que minimicen el error entre la frecuencia de corte teórica del filtro y un valor objetivo. El notebook ilustra los conceptos básicos de los algoritmos evolutivos (representación de individuos, selección, cruce, mutación y elitismo) en un contexto práctico de electrónica analógica.
El notebook contiene:
- Una implementación completa de un algoritmo evolutivo para el diseño del filtro RC.
- Representación de los resultados en unidades electrónicas habituales.
- Visualización de la evolución del fitness a lo largo de las generaciones.
- Comparación del comportamiento del algoritmo con y sin elitismo.
Ejemplo de Red Neuronal Recurrente, un tipo de red neuronal diseñada para procesar secuencias de datos al mantener información temporal mediante conexiones recurrentes, que utiliza modelo de atención de Bahdanau. Permite traducciones de frases de un idioma a otro.
Disponible tanto en Jupyter Notebook como en programa Python.
Incorpora concretamente un ejemplo con traducción de italiano a inglés y de español a inglés con una RNN de una capa oculta con 256 nodos. Se describen todas las partes, se realiza el entrenamiento y luego la evaluación de las predicciones en la traducción.
Ejemplo de Red Neuronal Recurrente que utiliza modelo de atención de Bahdanau. Permite corrección gramatical de frases en inglés.
Disponible tanto en Jupyter Notebook como en programa Python.
RNN de una capa oculta con 256 nodos. Se describen todas las partes, se realiza el entrenamiento y luego la evaluación de las predicciones en la corrección.
Utilizaremos CocheRadar.csv para el estudio, análisis y diseño de la mejor técnica para crear un modelo de clasificación para clasificar en base a un conjunto de atributos numéricos, cuando un radar identifica a un coche o a otro vehículo. Como veremos el dataset está altamente desbalanceado.
Exploramos cómo distintas técnicas de clasificación (Random Forest, SVM y Regresión Logística) se desempeñan bajo tres escenarios de preprocesamiento del dataset. Evaluamos cada modelo con métricas clave como Accuracy, F1-Score y ROC-AUC para identificar el impacto de las estrategias de preprocesamiento y la idoneidad de cada técnica en la tarea de clasificación.
Disponible tanto en Jupyter Notebook como en programa Python.