• Documentación

Inicio

Este curso proporciona una introducción profunda a los fundamentos modernos de la Inteligencia Artificial. Se explorarán los principios fundamentales de la IA, desde la representación del conocimiento y la búsqueda hasta los modelos de aprendizaje automático y la toma de decisiones bajo incertidumbre.

El curso está diseñado para que los estudiantes comprendan cómo funcionan los algoritmos de IA y cómo se aplican en el mundo real, sin enfocarse en la implementación de código, sino en la comprensión conceptual y en la demostración práctica de modelos y técnicas.

Competencias

Al finalizar el curso, serán capaces de:

  • Comprender los principios fundamentales de la inteligencia artificial y sus aplicaciones.
  • Explicar el funcionamiento de agentes inteligentes y su impacto en la resolución de problemas.
  • Identificar y analizar estrategias de búsqueda, lógica y razonamiento probabilístico en la IA.
  • Comprender los fundamentos del aprendizaje automático, incluyendo redes neuronales y aprendizaje profundo.
  • Reflexionar sobre los impactos éticos y sociales de la inteligencia artificial.

Contenido

  • Repaso general sobre inteligencia artificial
    • Temas
      • Historia y evolución de la Inteligencia Artificial
      • Definiciones y enfoques de la IA
  • Introducción a la Inteligencia Artificial y Agentes Inteligentes
    • Capítulos del libro: 1 y 2
    • Temas:
      • Historia y evolución de la Inteligencia Artificial
      • Definiciones y enfoques de la IA
      • Agentes inteligentes y entornos
      • Tipos de agentes
  • Resolución de Problemas con Búsqueda
    • Capítulos del libro: 3 y 4
    • Temas:
      • Formulación de problemas como espacios de estados
      • Estrategias de búsqueda no informada: búsqueda en amplitud, profundidad y costo uniforme
      • Estrategias de búsqueda informada: búsqueda A* y heurísticas
  • Búsqueda Adversarial y Juegos
    • Capítulo del libro: 5
    • Temas:
      • Problemas de toma de decisiones en entornos competitivos
      • Juegos de dos jugadores y teoría de juegos
      • Algoritmo Minimax y poda Alpha-Beta
  • Representación del Conocimiento y Lógica
    • Capítulos del libro: 7 y 8
    • Temas:
      • Lógica proposicional y operadores lógicos
      • Lógica de primer orden y cuantificadores
      • Inferencia lógica y resolución
  • Probabilidad y Razonamiento Bajo Incertidumbre
    • Capítulos del libro: 12 y 13
    • Temas:
      • Modelos probabilísticos en inteligencia artificial
      • Teorema de Bayes y redes Bayesianas
      • Inferencia en redes probabilísticas
  • Introducción al Aprendizaje Automático
    • Capítulos del libro: 18 y 19
    • Temas:
      • Definición y objetivos del aprendizaje automático
      • Diferencias entre aprendizaje supervisado, no supervisado y por refuerzo
      • Introducción a las redes neuronales artificiales y perceptrón
  • Aprendizaje Profundo y Redes Neuronales Avanzadas
    • Capítulo del libro: 20
    • Temas:
      • Redes neuronales multicapa y retropropagación del error
      • Arquitecturas de redes convolucionales
      • Aplicaciones del aprendizaje profundo en visión computacional y procesamiento de lenguaje natural
  • IA y Ética
    • Capítulo del libro: 26
    • Temas:
      • Impacto social de la inteligencia artificial
      • Sesgos en los modelos de IA
      • Privacidad y regulaciones en IA

Bibliografía

  • Artificial Intelligence: A Modern Approach, Global Edition, 4th Edition by Stuart Russell, Peter Norvig, Pearson 2020 (selected chapters).

  • Reinforcement Learning: An Introduction, 2nd Edition by Richard S. Sutton and Andrew G. Barto. MIT Press, Cambridge, MA, 2018. (selected chapters). Gratis utilizando el siguiente enlace.

  • Deep Learning, by Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press, 2016. Gratis utilizando el siguiente enlace.