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 Agentes y Búsquedas

2.2 Búsqueda no informada

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 Random Forest

3.2.6 Redes Neuronales

3.2.7 Deep learning

3.3 Aprendizaje no supervisado

3.3.1 Reducción de la dimensionalidad

3.3.2 Clustering

3.4 Aprendizaje por refuerzo

• Quices 20%
• Exámenes 30%
• Prácticas 15%
• Talleres 15%
• 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
• [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
Abr 1	1. Introducción	[Russell10] Chap 1 (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
Abr 8	1.3 Agentes inteligentes 2.1 Agentes y Búsquedas	[Russell10] Chap 2 (slides) [AI-edX] Agents and Search (slides) (video)	Práctica 1
Abr 15-29	2.4 Búsqueda no informada 2.5 Búsqueda informada	[Russell10] Chap 3 (slides) and Chap 4 (slides) [AI-edX] A* Search and Heuristics (slides) (video) Search algorithms notebook from AIMA	Práctica 2 Taller 1
May 6-13	3.1 Qué es aprendizaje de máquina 3.2 Aprendizaje supervisado	[Russell10] Sect 18.1, 18.2, 18.6 (slides) An Introduction to Machine Learning (slides)
May 20	3.2.1 Clasificación lineal 3.2.2 Modelos probabilísticos (regresión logística, Naïve Bayes)	[Russell10] Sect 18.6 (slides) 20.2 (slides) [AI-edX] Naïve Bayes (slides) Notebook: Clasificación binaria usando un modelo lineal Notebook: Clasificación Lineal y Evaluación del Desempeño	Práctica 3
May 27	3.2.3 Clasificación no lineal (k-nn, árboles de decisión)	[Russell10] Sect 18.3 (slides) Notebook: Clasificación no lineal, complejidad y sobreajuste	Práctica 4
Jun 10	3.2.4 Support vector machines 3.2.5 Random Forest	[Russell10] Sect 18.9 (slides) Notebook: Máquinas de vectores de soporte y selección de modelos Notebook: Random Forests y exploración aleatorizada	Taller 2
Jun 17	3.2.6 Redes neuronales	Video clase redes neuronales (2018-2) [Russell10] Sect 18.6 (slides) [Alp10] Chap 11 (slides) Notebook: Redes Neuronales Notebook: Neural Networks in Keras
Jun 24	3.2.7 Deep learning	Video clase DL 1 (2018-2) Video clase DL 2 (2018-2) Video clase DL 3 (2018-2) Introduction to Deep Learning and Applications (slides) Representation Learning and Deep Learning Tutorial Notebook: CNN for image classification in Keras
Julio 1	3.3 Aprendizaje no supervisado 3.3.2 Clustering (agrupamiento)	Video clase agrupamiento (2018-2) [Alp10] Chap 7 (slides) K-Means Notebook: Agrupamiento	Práctica 5
Julio 8	3.3.1 Reducción de la dimensionalidad	Video clase reducción de la dimensionalidad (2018-2) Video clase Dic 3 Intro to PCA (slides) A tutorial on principal component analysis (pdf) Reducción de la dimensionalidad con PCA (notebook)