Inteligencia Artificial 2024
Este es un curso introductorio a la inteligencia artificial, la cual es un área donde se mezclan muchas disciplinas: lógica, programación, matemática, estadística, probabilidad, algoritmos, entre otros. El objetivo del curso es aprender los fundamentos de la inteligencia artificial. Hacemos una revisión histórica de diferentes campos de aplicación del área, para luego entrar en los conceptos fundamentales como agentes y espacios de estados. Se hace una revisión de diferentes algoritmos de búsqueda como BFS, DFS, y backtracking, entre otros, así como el desarrollo de heurísticas y algunos métodos de optimización combinatoria: algoritmos genéticos, evolución diferencial o particle swarm optimization. Veremos también temas de lógica proposicional, sistemas basados en reglas y sistemas expertos. Luego, combinamos estos conocimientos con el área de probabilidad, para estimar incertidumbre en los modelos de búsqueda. Desarrollaremos métodos de redes bayesianas, y modelos ocultos de Markov y abordaremos tópicos básicos sobre aprendizaje por refuerzo.
El curso requiere madurez por parte del estudiante, pues se integran contenidos de muchos cursos de computación, matemática y estadística. Entre los prerrequisitos se encuentra tener un buen dominio de las técnicas vistas en los cursos de matemática discreta, grafos, lógica, programación y algoritmos, cálculo, álgebra lineal, probabilidad y estadística.
Programa del curso
Horario
- Lunes, de 17:20 a 19:45 horas. Viernes, de 17:20 a 19:00 horas.
Office Hours
- Miércoles y viernes, de 19:00 a 20:00 horas, por solicitud del estudiante. También pueden enviar sus dudas por correo electrónico.
Material del curso
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 01 | 12.01.2024 | Inicio del curso. Historia de la IA. Aula 01 Aula 02 |
Wordcloud |
| 02 | 15.01.2024 | Agentes inteligentes. Entornos y clasificación. Aula 03 |
Ejercicio PEAS Ejercicio Clasificación |
| 03 | 19.01.2024 | Tipos de Agentes. Representación de problemas. Aula 04 |
|
| 04 | 22.01.2024 | Espacios de Estados. Problemas de Búsqueda: DFS y BFS. Aula 05a Aula 05b | |
| 05 | 26.01.2024 | Búsqueda sensible al costo. Comparación entre DFS, BFS y Dijkstra. Aula 06 | |
| 06 | 29.01.2024 | Búsqueda Informada: Greedy Search, A* y Weighted A*. Aula 07 | |
| L1 | 29.01.2024 | Lab 1 | Lab 01 Entrega: Lunes 05 de febrero. |
| 07 | 05.02.2024 | Búsqueda con Restricciones: Backtracking, Filtering. Aula 08 | |
| 08 | 09.02.2024 | Búsqueda y Optimización. Heurísticas. Soluciones sub-óptimas. Aula 09 | |
| 09 | 12.02.2024 | Algoritmos Genéticos. Selección. Aula 10 |
|
| 10 | 16.02.2024 | Operadores de cruce. Operadores de mutación. | |
| 11 | 19.02.2024 | Ejemplos de implementación de GAs. |
|
| 12 | 23.02.2024 | Búsqueda Local: Hill-Climbing, Búsqueda tabú, Beam Search. Aula 12 | |
| 13 | 26.02.2024 | Enfriamiento Simulado. Aula 13 |
|
| 14 | 01.03.2024 | Optimización continua. Aula 14a |
|
| 15 | 04.03.2024 | Revisión del primer proyecto. |
|
| 16 | 08.03.2024 | Descenso Gradiente. Aula 14b Aula 15 |
|
| 17 | 15.03.2024 | Búsqueda Adversaria. Estrategia Minimax. Aula 17 | |
| 18 | 18.03.2024 | Búsqueda Adversaria II. Alpha-Beta Pruning. Expectimax y Expectiminimax. Aula 18 | |
| 19 | 05.04.2024 | Repaso de probabilidad. Aula 19 |
|
| 20 | 08.04.2024 | Probabilidad condicional. Regla de Bayes. Aula 20 |
|
| 21 | 12.04.2024 | Distribuciones. (Ejercicios de simulación). Aula 21 |
Lab 02 Entrega: Viernes 19 de abril. |
| 22 | 15.04.2024 | Distribuciones multivariadas: distribución conjunta, marginal y condicional. Aula 22 Aula 23 |
|
| 23 | 19.04.2024 | Redes bayesianas. |
|
| 24 | 22.04.2024 | Ejemplos y ejercicios de redes bayesianas. |
Lab 03 Sensor_Color_Distribution.csv Entrega: Lunes 29 de abril. |
| 25 | 26.04.2024 | Cadenas de Markov. Propiedades. |
|
| 26 | 29.04.2024 | Resolución de dudas sobre redes bayesianas. | |
| 27 | 03.05.2024 | Ejemplos de cadenas de Markov. |
|
| 28 | 06.05.2024 | Revisión del segundo proyecto. |
|
| 29 | 10.05.2024 | Modelos ocultos de Markov (HDD). Algoritmo recursivo. | |
| 30 | 17.05.2024 | Modelos de filtros de partículas. | |
| 31 | 20-24.05.2024 | Resolución de dudas sobre proyecto. | |
| 32 | 27-31.05.2024 | Presentación de proyectos finales. |
Proyectos del Curso
A lo largo del curso desarrollaremos los proyectos de Pac-Man, de la universidad de Berkeley.
Proyecto 1
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 1 | 04.02.2024 | Proyecto 1 - Búsqueda. | Proyecto 1 |
| 2 | 04.03.2024 | Entrega del proyecto. | |
| 3 | 11.03.2024 | Entrega del informe y código. |
Proyecto 2
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 1 | 18.03.2024 | Proyecto 2 - Búsqueda Adversaria. | Proyecto 2 |
| 2 | 06.05.2024 | Presentación del proyecto. | |
| 3 | 06.05.2024 | Entrega del informe y código. |
Proyecto 3
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 1 | 29.04.2024 | Proyecto 3 - Ghostbusters. | Proyecto 3 |
| 2 | 27-30.05.2024 | Presentación del proyecto. | |
| 3 | 31.05.2024 | Entrega del informe y código. |