Intr. a los Sistemas Inteligentes

Profesor

Fabio A. González
Carrera de Ingeniería de Sistemas y Computación
Universidad Nacional de Colombia

Objetivo del curso

Los sistemas inteligentes estudian el desarrollo de agentes inteligentes o racionales. Un agente racional debe ser capaz de actuar para maximizar el mejor resultado esperado. El objetivo del curso es estudiar la teoría y los métodos que permiten construir agentes racionales bajo diferentes condiciones.

1 Introducción

1.1 Historia de la IA

1.2 Qué es IA

1.3 Agentes inteligentes

2 Solución de problemas

2.1 Búsquedas en grafos

2.2 Búsqueda en profundidad

2.3 Búsqueda en amplitud

2.4 Búsqueda de costo uniforme

2.5 Búsqueda informada

3 Probabilidad en IA

3.1 Repaso de probabilidad

3.2 Teorema de Bayes

3.3 Clasificador Bayesiano Ingenuo

4 Aprendizaje de máquina

4.1 Qué es aprendizaje de máquina

4.2 Aprendizaje supervisado

4.3 Árboles de decisión

4.4 Modelos lineales

4.5 Evaluación

4.6 Aprendizaje no supervisado

5 Redes neuronales

5.1 Perceptrón

5.2 Redes multicapa

5.3 Backpropagation

6 Juegos

6.1 Juegos de un jugador

6.2 Juegos de dos jugadores

6.3 Minimax

6.4 Alpha beta

6.5 Monte Carlos Tree Search

5 Visión

5.1 Visión por computador

5.2 Deep learning

5.3 Redes neuronales convolucionales

6 Procesamiento de lenguaje natural

6.1 Modelos de lenguaje

6.2 Bolsa de palabras

6.3 Modelos de n-gramas

6.4 Clasificación de texto

6.5 Embeddings

• Tareas, quices 50%
• Exámenes 30%
• Proyecto 20%

Notas

Bibliografía

• [Russell10] Russell, S and Norvig, P. 2010 Artificial Intelligence: a Modern Approach, 3rd Ed, Prentice-Hall
• [Alp10] Alpaydin, E. 2010 Introduction to Machine Learning, 2Ed. The MIT Press.
• [IAI-Udac] Intro to Artificial Intelligence, Udacity
• [AI-edX] CS188x_1 Artificial Intelligence, UC Berkley, edX, Spring 2016
• [Alp10] Alpaydin, E. Introduction to Machine Learning, 2Ed. The MIT Press, 2010
• [Sutton98] Sutton, R. and Barto, A. Reinforcement Learning: An Introduction, The MIT Press, 1998
• [aima-python] Python code for the book Artificial Intelligence: A Modern Approach, GitHub repository

Semana	Tema	Material	Actividades
Feb 5-12	1. Introducción	[Russell10] Chap 1 (slides) and 2 (slides) [AI-edX] Introduction to AI (slides) (video) The Wonderful and Terrifying Implications of Computers That Can Learn, Jeremy Howard, TED
Feb 19	2.1 Búsquedas en grafos 2.2 Búsqueda en profundidad 2.3 Búsqueda en amplitud	[Russell10] Chap 3 (slides) [AI-edX] Agents and Search (slides) (video) Search methods (Python notebook)
Feb 26	2.4 Búsquedas de costo uniforme 2.5 Búsqueda informada	[Russell10] Chap 4a (slides) [AI-edX] A* Search and Heuristics (slides) (video) Métodos de búsqueda (Python notebook)
Mar 5	3.1 Repaso de probabilidad 3.2 Teorema de Bayes	[Russell10] Chap 13 (slides) [AI-edX] Probability (slides) (video)	Taller 2
Mar 12	3.3 Clasificador Bayesiano Ingenuo	[Russell10] Chap 20 (slides) [AI-edX] ML: Naive Bayes (slides) (video)
Mar 19	4.1 Qué es aprendizaje de máquina?	[Russell10] Sect 18.1 (slides) An Introduction to Machine Learning (slides)	Taller 3
Abr 2	4.2 Aprendizaje supervisado 4.3 Árboles de decisión	[Russell10] Sect 18.2, 18.3, 18.4 (slides)
Abr 9	4.4 Modelos lineales 5.1 Perceptrón	(Modelos lineales) [Russell10] Sect 18.6 (slides)
Abr 16	5.2 Redes multicapa 5.3 Backpropagation	[Alp10] Chap 11 (slides) Quick and dirty introduction to neural networks (Jupyter notebook) [Russell10] Sect 18.7 Perceptron training handout	Taller 4
Abr 23	4.5 Evaluación	[Alp10] Chap 19.1-19.7 (slides) Análisis Supervisado
Abr 30	4.6 Aprendizaje no supervisado (agrupamiento)	[Alp10] Chap 7 (slides) K-Means
May 7	4.6 Aprendizaje no supervisado (PCA)	Intro to PCA (slides) PCA notebook