Intr. a los Sistemas Inteligentes

2018-II


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%

Notas


Recursos del Curso

Bibliografía


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
Introduction to Deep Learning and Applications (slides)
Representation Learning and Deep Learning Tutorial
Neural Networks 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 (Mar 4)