View on GitHub

ia2025

Inteligencia Artificial 2025

Inteligencia Artificial 2025

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. El curso comienza haciendo una revisión histórica de diferentes campos de aplicación del área, para luego entrar en los conceptos fundamentales como agentes, espacios de configuraciones y espacios de estados.

Seguidamente, introducimos el tipo más simple de agentes, mediante el estudio de modelos de aprendizaje automática. Mencionamos generalidades sobre diferentes modelos de agrupamiento, clasificación y regresión. Hacemos énfasis en las métricas de evaluación y técnicas para mejorar el desempeño de los modelos.

Después, el curso hace una revisión de diferentes algoritmos de búsqueda como BFS, DFS, y backtracking, entre otros, así como el desarrollo de heurísticas, como el algoritmos A* y algunos métodos de optimización combinatoria: algoritmos genéticos, evolución diferencial o particle swarm optimization. Hacemos una introducción a los métodos de búsqueda adversaria, principalmente las técnicas de minimax, expectimax y expectiminimax, vemos la comparación y análisis de complejidad de estos métodos de búsqueda, y técnicas de reducción como el $\alpha$-$\beta$ prunning.

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

Programa del curso

Horario

  • Lunes, de 17:20 a 19:45 horas, Miércoles, de 17:20 a 19:00 horas.

Office Hours

  • Por solicitud del estudiante. También pueden enviar sus dudas por correo electrónico.

Material del curso

No. Fecha Tópicos Recursos
01 13.01.2025 Inicio del curso.
Aula 01 Aula 02		 Wordcloud
02 15.01.2025 Agentes. Secuencias de percepción. Ejemplos.
 
03 20.01.2025 Ambientes. Tipos de agentes.
Aula 03		 Descripción de Agentes.xlsx
Clasificación de Ambientes.xlsx
04 22.01.2025 Distribuciones. Densidad y función de distribución. Aula 04 rvs.ipynb exploration.ipynb
05 27.01.2025 Gráficos de probabilidad. Ajuste y contraste de distribuciones. Aula 05 qqplots.ipynb fitting.ipynb
06 27.01.2025 Estadísticos. Distribuciones multivariadas. Aula 06 center-data.ipynb
07 03.02.2025 Generación de normal multivariada.
generate_gaussian.ipynb svd.ipynb
08 03.02.2025 Análisis de componentes principales (PCA). Interpretación. Aula 07 Aula 08 pca.ipynb
09 05.02.2025 Compresión de imágenes con PCA.
SVD Compression Demo
L2 05.02.2025 Lab 2. Entrega: 12 de febrero. areas.csv weather.csv
Lab 2
10 10.02.2025 Agrupamiento Jerárquico.
Aula 09		  
11 10.02.2025 Algoritmo K-means y variantes. Aplicaciones.
Aula 10		  
12 12.02.2025 Algoritmos basados en densidad: Mean-shift, DBSCAN, OPTICS, BIRCH. Aula 11  
13 17.02.2025 Modelación predictiva: clasificación y regresión. Algoritmo KNN. Aula 12  
14 19.02.2025 Clasificador bayesiano. Naïve Bayes.
 
15 24.02.2025 Ejemplos de Naïve Bayes. Clasificadores lineales.  
16 26.02.2025 Regresión logística. Perceptrón. Redes neuronales.  
17 03.03.2025 Ejemplo de red neuronal para regresión.
 
18 03.03.2025 Problemas de búsqueda.
 
19 10.03.2025 Representación de problemas de búsqueda.  
L3 10.03.2025 Lab 3. Entrega: 17 de marzo. Lab 3
20 12.03.2025 Grafo de estados. Árbol de búsqueda.
 
21 12.03.2025 Algoritmos de búsqueda: DFS y BFS.
Aula 20		  
22 17.03.2025 Más algoritmos de búsqueda. Búsqueda por costo uniforme. Ejemplos. Aula 21  
L4 17.03.2025 Lab 4. Entrega: 31 de marzo. Lab 4
23 19.03.2025 Heurísticas. Algoritmos Greedy y A*.
Aula 22		  
24 24.03.2025 Presentación del Proyecto 1.
 
25 24.03.2025 Laboratorio sobre métodos de búsqueda y A*.
 
26 02.04.2025 Árbol de expansión. Algoritmo de Kruskal y algoritmo de Prim.  
27 07.04.2025 Búsqueda con restricciones. Backtracking. Filtrado y consistencia por arcos. Aula 24  
28 09.04.2025 Búsqueda adversaria I. Algoritmo Minimax. Aula 25  
29 21.04.2025 Búsqueda adversaria II. Poda alpha-beta. Algoritmo Expectiminimax. Aula 26  
L5 21.04.2025 Lab 5. Entrega: 28 de abril. Lab 5
30 23.04.2025 Expectiminimax.  
30 28.04.2025 Monte Carlo Tree Search (MCTS).  
L6 28.04.2025 Lab 6. Entrega: 07 de mayo. Lab 6
31 30.04.2025 Repaso de probabilidad.
Aula 27		  
32 05.05.2025 Probabilidad condicional.
Aula 28		  
L7 05.05.2025 Lab 7. Entrega: 14 de mayo. Lab 7
33 07.05.2025 Ejercicios de probabilidad.  
34 12.05.2025 Presentación del Proyecto 2.
 
35 14.05.2025 Redes bayesianas.
 
36 26.05.2025 Pruebas y simulacro de torneo.
 
37 28.05.2025 Simulacro de prueba.
 

Proyectos del Curso

En el curso se trabajarán tres proyectos.

Proyecto 1 (Machine Learning)

No. Fecha Tópicos Recursos
1 24.02.2025 Proyecto 1 - Machine Learning. Proyecto 1
2 17.03.2025 Entrega del proyecto.  
3 21.03.2025 Entrega del informe y código.  

Proyecto 2 (Algoritmos de búsqueda)

No. Fecha Tópicos Recursos
1 08.04.2025 Proyecto 2 - Búsqueda. Proyecto 2
2 12.05.2025 Entrega del proyecto.  
3 16.05.2025 Entrega del informe y código.  

Proyecto 3 (Juegos adversarios)

No. Fecha Tópicos Recursos
1 14.05.2025 Proyecto 3 - Othello. Proyecto 3
2 04.06.2025 Torneo.  
3 06.06.2025 Entrega del informe y código.  

Referencias