Inteligencia Artificial 2026
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
Horario
- Lunes de 17:20 a 19:45 horas, y Miércoles de 17:20 a 19:00 horas.
Office Hours
- Por definir. Por solicitud del estudiante. También pueden enviar sus dudas por correo electrónico.
Material del curso
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 01 | 14.01.2026 | Introducción y motivación. Definición de IA. Aula 01 | Hoja de Trabajo 1a |
| 02 | 19.01.2026 | Historia de la IA. Personajes y algoritmos importantes. Aula 02 | Cronología IA Hoja de Trabajo 1b |
| 03 | 21.01.2026 | Agentes. Secuencias de percepción. Ejemplos. Agentes racionales. Aula 03 |
Descripción de Agentes |
| 04 | 26.01.2026 | Ambientes. Clasificación de Ambientes. Tipos de Agentes. | Clasificación de Ambientes Tipos de Agentes |
| 05 | 28.01.2026 | Datos. Tipos de variables. Transformaciones. Encodings y embeddings. | |
| 06 | 02.02.2026 | Clustering. Agrupamiento Jerárquico. | |
| L1 | 02.02.2026 | Lab 1. Entrega: lunes 9 de febrero. |
Lab 01 countries_binary.xlsx |
| 07 | 04.02.2026 | K-means y variantes: K-medianas, K-medoids, Fuzzy K-means. | |
| 08 | 09.02.2026 | Clasificación supervisada. Train y test set. | |
| 09 | 09.02.2026 | Algoritmo K-nearest neighbors (KNN). | |
| 10 | 11.02.2026 | Clasificador Bayesiano óptimo. Naïve Bayes. | |
| 11 | 16.02.2026 | Regresión logística. Conjuntos linealmente separables. | |
| L2 | 16.02.2026 | Lab 2. Entrega: lunes 23 de febrero. |
Lab 02 |
| 12 | 23.02.2026 | Redes neuronales. | |
| 13 | 25.02.2026 | Parámetros e Hiper-parámetros. Stochastic Gradient Descent. Mini-Batch Gradient Descent. | |
| 14 | 02.03.2026 | Implementación de redes neuronales en Keras. | |
| L3 | 02.03.2026 | Lab 3. Entrega: lunes 09 de marzo. |
Lab 03 |
| 15 | 04.03.2026 | Problemas de búsqueda. | |
| 16 | 09.03.2026 | Representación de problemas de búsqueda. Árbol de configuraciones. | |
| L4 | 09.03.2026 | Lab 4. Entrega: lunes 16 de marzo. |
Lab 04 |
| 17 | 11.03.2026 | Algoritmos de búsqueda I: DFS y BFs. | |
| 18 | 16.03.2026 | Algoritmos de búsqueda II: Uniform Cost Search (UCS), Greedy, A*. | |
| L5 | 18.03.2026 | Lab 5. Entrega: miércoles 25 de marzo. |
Lab 05 |
| 19 | 23.03.2026 | Árbol de expansión mínima: Algoritmo de Prim, Algoritmo de Kruskal. | |
| 20 | 06.04.2026 | Entrega del primer proyecto. | |
| 21 | 08.04.2026 | Problemas de búsqueda con restricciones. CSP. Backtracking. Forward Checking. | |
| L6 | 13.04.2026 | Lab 6. Entrega: lunes 20 de abril. |
Lab 06 |
Proyectos
En el curso se trabajarán tres proyectos.
Proyecto 1 (Agentes Reflejo - Machine Learning)
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 1 | 02.03.2026 | Proyecto 1 - Machine Learning. | Proyecto 1 |
| 2 | 06.04.2026 | Presentación y entrega del proyecto. |
Proyecto 2 (Algoritmos de búsqueda)
| No. | Fecha | Tópicos | Recursos |
|---|---|---|---|
| 1 | 08.04.2026 | Proyecto 2 - Búsqueda. | Proyecto 2 |
| 2 | 04.05.2026 | Entrega del proyecto. | |
| 3 | 06.05.2026 | Entrega del informe y código. |
Horarios de presentación Proyecto 1
| Hora | Grupo |
|---|---|
| 5:20 | Grupo 1 |
| 5:32 | Grupo 2 |
| 5:44 | Grupo 3 |
| 5:56 | Grupo 4 |
| 6:08 | Grupo 5 |
| 6:20 | Grupo 6 |
| 6:32 | Grupo 7 |
| 6:44 | Grupo 8 |
| 6:56 | Grupo 9 |
| 7:08 | Grupo 10 |
| 7:20 | Grupo 11 |
| 7:32 | Grupo 12 |