Curso libreInteligencia artificial y datos
Probabilidad para IA
El curso Probabilidad para IA proporciona al estudiante la probabilidad, las distribuciones y el razonamiento bayesiano que sustentan los clasificadores, la incertidumbre y los modelos generativos, con simulaciones en Python y SciPy. Le sirve para razonar sobre la incertidumbre de los modelos de IA e interpretar la salida probabilística de un modelo de lenguaje.
A quién va dirigido
Estudiantes y profesionales que inician en IA con matemáticas de bachillerato y Python básico.
Objetivos
✓Comprender espacios muestrales, probabilidad condicional, independencia y el teorema de Bayes con atención a las tasas base.
✓Analizar fenómenos con distribuciones discretas y continuas, valor esperado, varianza y ley de los grandes números.
✓Aplicar máxima verosimilitud e inferencia bayesiana para construir un clasificador Naive Bayes de texto.
✓Diseñar un análisis de calibración de las probabilidades que produce un clasificador.
✓Evaluar la incertidumbre de los modelos generativos a partir de la entropía, la temperatura y el muestreo top-p.
Plan de estudios por sesión
1
Fundamentos de probabilidadEspacios muestrales, eventos, probabilidad condicional e independencia · Teorema de Bayes, tasas base y simulación de Monte Carlo en Python
2
Variables aleatorias y distribucionesBernoulli, binomial, Poisson, normal, exponencial y uniforme en SciPy · Valor esperado, varianza y ley de los grandes números
3
Inferencia y aprendizajeMáxima verosimilitud e inferencia bayesiana con distribuciones a priori · Clasificador Naive Bayes para texto y calibración de probabilidades
4
Presentación del proyecto final: filtro de mensajes no deseadosEntropía, entropía cruzada y distribución sobre el siguiente token · Temperatura, muestreo top-p y cuantificación de la incertidumbre
Evaluación
Inicial30%Taller de problemas de probabilidad condicional y teorema de Bayes resueltos analíticamente y con Monte Carlo.
Intermedio30%Modelado de fenómenos con distribuciones en SciPy y ejercicio de estimación por máxima verosimilitud.
Final40%Proyecto final: filtro de mensajes no deseados con Naive Bayes y análisis de calibración de sus probabilidades, con sustentación.
Proyecto final
Filtro de mensajes no deseados con Naive Bayes y análisis de calibración de sus probabilidades.