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