AI Learning

Este repositorio recoge mi proceso de aprendizaje en Inteligencia Artificial, Machine Learning, Procesamiento del Lenguaje Natural, Visión Artificial, Ingeniería de Datos y MLOps, entre otros..

El objetivo es:

• Consolidar conceptos mediante notebooks y pequeños proyectos.
• Tener un histórico.
• Tener referencias para mi yo del futuro y poder repasar conceptos importantes.

Estructura

• investigacion-gestion-proyectos/ → Ejercicios y prácticas de Investigación y Gestión de Proyectos en IA.
• razonamiento-planificacion-automatica/ → Prácticas de representación del conocimiento, lógica, marcos, reglas y planificación automática.
• tecnicas-aprendizaje-automatico/ → Notebooks de Machine Learning clásico: regresión, clasificación, árboles, bosques aleatorios, SVM, evaluación de modelos, métricas, tuning y validación cruzada.
• procesamiento-lenguaje-natural/ →Ejercicios completos de NLP: preprocesado, tokenización, lematización, TF-IDF, modelos clásicos de clasificación, embeddings (Word2Vec/Doc2Vec) y análisis de texto.
• vision-aritifical/ → Prácticas de visión por computador clásica utilizando OpenCV: filtros, histogramas, transformaciones, segmentación, detección de bordes y análisis de imágenes.
• redes-neuronales → Material dedicado a Deep Learning: perceptrón multicapa, backpropagation, CNN básicas, optimizadores y primeros pasos con Keras/PyTorch.
• aprendizaje-automatico-no-supervisado/ → Ejercicios de clustering y reducción de dimensionalidad: K-Means, DBSCAN, PCA, t-SNE, HDBSCAN, modelos densos y agrupación jerárquica.
• computacion-nube-ia/ → Prácticas de despliegue de IA en entornos cloud: Azure ML, contenedores, almacenamiento, servicios gestionados, pipelines en la nube y fundamentos de arquitectura escalable.
• ingenieria-datos/ → Material del módulo de Data Engineering: ETL/ELT, SQL, Spark, calidad de datos, esquemas, diseño de pipelines, ingesta, transformaciones y validaciones.
• ml-ai-ops/ → Ejercicios de MLOps: MLflow, tracking, experimentación, Docker, CI/CD, despliegue de modelos, monitorización, detección de drift y buenas prácticas DevOps aplicadas al ML.

Cada carpeta contiene un README.md con una breve explicación de los notebooks.

Tecnologías

• Python, Jupyter Notebook
• NumPy, Pandas, Scikit-learn
• spaCy, HuggingFace
• OpenCV, Matplotlib, Seaborn
• SQL, Spark
• Docker, MLflow
• Azure/AWS ML

Autor

Juan Carlos Albert Fillol

• Máster Universitario en Inteligencia Artificial (UNIR)
• Programa Superior Universitario en Data Engineering (UNIR)
• Grado en Ingeniería de Tecnologías y Servicios de Telecomunicación (UOC)