• Créditos: 3
• Horas de trabajo acompañado: 5 / semana (3 horas clase, 2 horas taller)
• Horas de trabajo independiente: 4 / semana
• Pre-requisitos:
• Tipo de curso: Núcleo de Formación Fundamental.

Las técnicas de Inteligencia artificial están presentes en una variedad de aplicaciones computacionales actuales, ya que contribuyen a mejorar su capacidad de interacción, de razonamiento o de actuación. Estas soluciones son más útiles para las personas bien sea porque ofrecen una forma de interacción más natural o porque permiten resolver problemas más complejos al exhibir comportamientos avanzados como la capacidad de deducir nuevo conocimiento, decidir autónomamente un curso de acción para alcanzar un objetivo, o aprender de su experiencia. El propósito de este curso es acercarnos a las técnicas que subyacen al desarrollo de los sistemas inteligentes para estar en capacidad de aplicarlas; también identificar las capacidades actuales y los problemas aun no resueltos en el área; construir una opinión informada sobre el nivel de inteligencia de los sistemas inteligentes actuales y finalmente, identificar el potenciar innovador de la utilización de estas técnicas en los productos de software que la sociedad demanda de manera creciente.

Al finalizar el curso los participantes podrán:

1. Definir qué es un comportamiento inteligente.
2. Argumentar sobre las consideraciones filosóficas y éticas del desarrollo de sistemas inteligentes.
3. Diseñar un sistema basado en agentes.
4. Identificar las ventajas y desventajas de diferentes técnicas de búsqueda para aplicarlas a la solución de una tarea específica.
5. Plantear un problema dado para ser resuelto como problema de satisfacción de restricciones o dar un argumento claro que explique porqué, en caso que esto no sea posible.
6. Implementar un algoritmo genético.
7. Identificar las ventajas y desventajas de los siguientes modelos estocásticos: redes de Bayes, cadenas de Markov, modelos ocultos de Markov, gramáticas estocásticas.
8. Dada una tarea específica, argumentar cuál de las técnicas estocásticas mencionadas puede ser más adecuada para modelarla.
9. Aplicar una técnica estocástica al modelado de un problema específico.
10. Deducir una expresión del cálculo de predicados a partir de una base de conocimiento expresada del mismo modo, usando el método hacia delante.
11. Deducir una expresión del cálculo de predicados a partir de una base de conocimiento expresada del mismo modo, usando el método hacia atrás.
12. Deducir una expresión del cálculo proposicional a partir de una base de conocimiento expresada del mismo modo, usando el método de resolución.
13. Implementar cualquiera de los tres métodos de deducción mencionados usando programaciùn funcional.
14. Definir las métricas de evaluación de clasificadores: sensitivity, specificity y accuracy; curvas ROC.
15. Evaluar un clasificador con respecto a las métricas indicadas en el punto anterior.
16. Evaluar qué técnica de aprendizaje supervisado es la más indicada para abordar una tarea específica, considerando: clasificador lineal, red neuronal artificial, máquina de vectores de soporte.
17. Evaluar qué técnica de aprendizaje no supervisado es la más indicada para abordar una tarea específica, considerando: aprendizaje EM, k vecinos más cercanos, mapas autoorganizados.
18. Implementar una técnica de aprendizaje automático en programaciùn funcional.
19. Definir en qué consiste el problema de sobreentrenamiento (overfitting)
20. Definir en qué consiste la maldición de la dimensionalidad y explicar qué se debe hacer para minimizar su impacto en un sistema de aprendizaje automático.
21. Argumentar su opinión propia frente a la capacidad de desarrollar sistemas computacionales que exhiban formas de comportamiento inteligente y a la oportunidad de construirlos.

1. Expresión oral y escrita
2. Aprendizaje para toda la vida
3. Programación funcional

Total de Horas: 10.

Total de Horas: 15.

Total de Horas: 27,5.

Total de Horas: 27,5.

1. Russell Stuart, Norving Peter. Artificial Intelligence, A Modern Approach. Ed 3. Prentice Hall. 2010.
2. Poole L. David, Mackworth Alan K. Artificial Intelligence. Fundations of Computer Agents. Cambridge University Press. 2010.
3. O’Hare G.M.P, Jennings N.R. Foundations od distributed artificial intelligence. Johm Wiley & Sons. 1996.
4. Duda Richard O, Hart Peter E, Sork David G. Pattern classification. John Wiley & Sons. 2ed. 2001.
5. Webb Andrew R. Statistical pattern recognition. John Wiley & Sons. 2ed. 2002.

Salón de clase con computador y proyector. Laboratorio de Ingeniería de Sistemas y Computación.

Curso en Moodle