Descripción del Curso
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.
Temas
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 de costo uniforme
2.3 Búsqueda informada
3 Aprendizaje de máquina
3.1 Qué es aprendizaje de máquina
3.2 Aprendizaje supervisado
3.2.1 Clasificación lineal
3.2.2 Modelos probabilísticos (regresión logística, Naïve Bayes)
3.2.3 Clasificación no lineal (k-nn, árboles de decisión)
3.2.4 Support Vector Machines
3.2.5 Redes Neuronales
3.2.6 Deep learning
3.3 Aprendizaje no supervisado
3.3.1 Reducción de la dimensionalidad
3.3.2 Clustering
3.4 Evaluación
3.4.1 Medidas de desempeño
3.4.2 Complejidad y sobre-ajuste
3.4.3 Selección de modelos
4 Aplicaciones
4.1 Visión
4.1.1 Visión por computador
4.1.2 Deep learning
4.1.3 Redes neuronales convolucionales
4.2 Entendimiento de lenguaje natural
4.2.1 Bolsas de palabras y clasificación de texto
4.2.2 Representaciones distribucionales
4.2.3 Modelos de lenguaje
Evaluación
- Tareas, quices 50%
- Exámenes 30%
- Proyecto 20%
Recursos del Curso
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
- [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
Calendario del curso
| Semana | Tema | Material | Actividades |
|---|---|---|---|
| Ago 13 | 1. Introducción | [Russell10] Chap 1 (slides) and 2 (slides) [AI-edX] Introduction to AI (slides) (video) Inteligencia Artificial, Fabio González The Wonderful and Terrifying Implications of Computers That Can Learn, Jeremy Howard, TED | |
| Ago 20 | 2.1 Búsquedas en grafos | [Russell10] Chap 3 (slides) [AI-edX] Agents and Search (slides) (video) Solving problems by Searching (Python notebook) | |
| Ago 27-Sep 3 | 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) | Taller 1 |
| Sep 10 | 3.1 Qué es aprendizaje de máquina 3.2 Aprendizaje supervisado 3.2.1 Clasificación lineal | [Russell10] Sect 18.1, 18.2, 18.6 (slides) An Introduction to Machine Learning (slides) Clasificación binaria usando un modelo lineal (notebook) | |
| Sep 17-24 | 3.2.2 Modelos probabilísticos (regresión logística, Naïve Bayes) | [Russell10] Sect 18.6 (slides) 20.2 (slides) Logistic Regression y Naïve Bayes (notebook) | Práctica 1 |
| Oct 1 | 3.2.3 Clasificación no lineal (k-nn, árboles de decisión) | [Russell10] Sect 18.3 (slides) Clasificación no lineal, complejidad y sobreajuste (notebook) | Práctica 2 |
| Oct 8 | 3.2.4 Support vector machines | [Russell10] Sect 18.9 (slides) Máquinas de vectores de soporte y selección de modelos (notebook) | Taller 2 |
| Nov 12 | 3.2.5 Redes neuronales | Video clase Nov 14 [Russell10] Sect 18.6 (slides) [Alp10] Chap 11 (slides) Redes neuronales (notebook) | |
| Nov 19-26 | 3.2.6 Deep learning | Video clase Nov 19 Video clase Nov 21 Video clase Nov 26 Introduction to Deep Learning and Applications (slides) Representation Learning and Deep Learning Tutorial Neural Networks in Keras (notebook) CNN for image classification in Keras (notebook) | Taller 3 |
| Dic 3 | 3.3 Aprendizaje no supervisado 3.3.1 Reducción de la dimensionalidad | Video clase Dic 3 Intro to PCA (slides) A tutorial on principal component analysis (pdf) Reducción de la dimensionalidad con PCA (notebook) | |
| Dic 5 | 3.3.2 Clustering (agrupamiento) | Video clase Dic 5 [Alp10] Chap 7 (slides) K-Means Agrupamiento (notebook) | |
| Ene 21 | Práctica 3 (Ene 21) Quiz 2 (Ene 23) Examen (Ene 30) Proyecto final (Feb 27) |