Inteligencia artificial y aprendizaje automático

DATOS GENERALES

Código ISWD543
Pénsum 2020
Horas semanales 9
Tipo Obligatoria
Asignaturas pre-requisitos ESTRUCTURA DE DATOS Y ALGORITMOS II
Asignaturas co-requisitos Ninguna
Unidad de organización curricular Profesional

RESULTADOS DE APRENDIZAJE

De conocimiento
Discriminar la base teórica en el campo de la inteligencia artificial y el aprendizaje automático, a fin de indentificar los retos de investigación en esta área y sus aplicaciones en el campo profesional.
De destrezas Diseñar e implementar soluciones que utilicen inteligencia artificial y aprendizaje de máquina aplicables en problemas del mundo real, capaces de responder racionalmente a un estímulo externo en diversos entornos.
De valores y actitudes Demostrar altos estándares de honestidad intelectual para proponer nuevos modelos y/o aplicaciones a partir de las técnicas Inteligencia Artificial y Aprendizaje Automático tratadas en el curso.

CONTENIDO

Capítulo 1 Inteligencia Artificial - Temas fundamentales
  1. Problemas de IA y aprendizaje automático. Estado del arte.;
  2. Características de los problemas;
  3. Agentes Inteligentes, y
  4. Espacio y representación de problemas.
Capítulo 2 Resolución de problemas mediante búsquedas
  1. Búsquedas sin información;
  2. Búsquedas con información;
  3. Búsquedas locales y problemas de optimización (asc. de colinas, temple simulado, algoritmos genéticos), y
  4. Búsquedas con adversarios (minimax y poda alfa-beta).
Capítulo 3 Agentes lógicos
  1. Agentes basados en conocimiento;
  2. El mundo de Wumpus;
  3. El agente lógico;
  4. Reglas de inferencia;
  5. Verificación de modelos e inferencia;
  6. Prueba de teoremas y validación por resolución;
  7. Conversión a FNC y algoritmo de resolución;
  8. Encadenamiento hacia adelante y hacia atrás, y
  9. Lógica de primer orden.
Capítulo 4 Fundamentos del aprendizaje de máquina
  1. Introducción al problema de aprendizaje: planteamiento del problema y ejemplos;
  2. Problemas de machine learning: clasificación, regresión y clustering;
  3. Conjuntos de entrenamiento, validación y testeo (Hold out);
  4. Preprocesamiento y postprocesamiento (normalización, regularización);
  5. Generalización, Underfitting, Overfitting y la maldición de la dimensionalidad, y
  6. Taxonomía del aprendizaje de máquina: aprendizaje supervisado, no supervisado y con refuerzo.
Capítulo 5 Aprendizaje supervisado
  1. Estimación de error y análisis de resultados: cross-validation, matriz de confusión y curva ROC;
  2. Algoritmos no paramétricos: Naive Bayes, KNN y árboles de decisión, y
  3. Algoritmos paramétricos: redes neuronales artificiales (RNA), support vector machines (SVM).
Capítulo 6 Aprendizaje no supervisado
  1. Algoritmos para reducción de dimensión (PCA);
  2. Clustering: k-means, y
  3. Clustering: Self-organizing maps.
Capítulo 7 Aprendizaje por refuerzo
  1. Principios generales del aprendizaje por refuerzo, y
  2. Algoritmos principales de aprendizaje por refuerzo.

Back to top