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
Semana | Tema | Material | Actividades |
---|---|---|---|
Ago 9-16 | 1. Introducción | Clase asíncrona: Inteligencia Artificial (video) Lectura: [Russell21] Chap 1 (slides) Recursos adicionales: [CS188-Berkeley] Introduction to AI (slides) (video) The Wonderful and Terrifying Implications of Computers That Can Learn, Jeremy Howard, TED | Práctica 1 |
Ago 23 | 1.3 Agentes inteligentes 2.1 Agentes y Búsquedas | Clase asíncrona: Agentes inteligentes (slides)(video) Agentes y búsquedas (slides)(video ) Lectura: [Russell21] Chap 2, Sect 3.1-3.2 Recursos adicionales: [CS188-Berkeley] Planning agents (video) | Práctica 2 |
Ago 30 | 2.1 Agentes y Búsquedas 2.2 Búsqueda no informada | Clase asíncrona: Depth first search (slides) (video) Breadth first search (slides) (video) Iterative deepening search, uniform cost search (slides) (video) Lectura: [Russell21] Sect 3.3-3.4 Recursos adicionales: [CS188-Berkeley] Uninformed search (video) | Práctica 3 Taller 1 |
Sep 6-13 | 2.5 Búsqueda informada | Clase asíncrona: A* (slides) (video) Heurísticas (slides) (video) Lectura: [Russell21] Sect 3.5-3.6 (slides) Recursos adicionales: [CS188-Berkeley] A* Search and Heuristics (video) Search algorithms notebook from AIMA | |
Sep 27 | 3.1 Qué es aprendizaje de máquina 3.2 Aprendizaje supervisado | Clase asíncrona: Introducción al ML (slides)(video ) Clasificación binaria usando un modelo lineal (notebook)(video ) Recursos adicionales: [Russell21] Sect 19.1, 19.2, 19.6 (slides) | Práctica 4 |
Oct 4 | 3.2.1 Clasificación lineal 3.2.2 Modelos probabilísticos (regresión logística, Naïve Bayes) | Clase asíncrona: Clasificador Naïve Bayes (slides 49-60)(notebook)(video 1)(video 2) Recursos adicionales: [CS188-Berkeley] Naïve Bayes 1 (slides) (video) [CS188-Berkeley] Naïve Bayes 2 (slides) (video) [Russell21] Chapter 12 Notebook: Clasificación Lineal y Evaluación del Desempeño | Práctica 5 |
Oct 18 | 3.2.3 Clasificación no lineal (k-nn, árboles de decisión) | Clase asíncrona: Árboles de Decisión, K-nn (slides)(notebook)(video 1)(video 2) Recursos adicionales: [Russell10] Sect 19.3 (slides) Notebook: Clasificación no lineal, complejidad y sobreajuste | Práctica 6 |
Oct 25 | 3.2.4 Support-vector machines 3.2.5 Random Forest | Clase asíncrona: Support-vector machines, random forest (notebook 1)(notebook 2)(video 1)(video 2) Recursos adicionales: [Russell10] Sects 19.7.5, 19.8.1-2 (slides) Notebook: Máquinas de vectores de soporte y selección de modelos Notebook: Random Forests y exploración aleatorizada | Práctica 6.5 |
Nov 1 | 3.2.6 Redes neuronales | Clase asíncrona: [FundDL] Secc 2.1-2.4 Recursos adicionales: [Russell10] Sect 18.6 (slides) [Alp10] Chap 11 (slides) Neural Network Playground Notebook: Redes Neuronales Notebook: Neural Networks in Keras | Práctica 7 |
Nov 8 | 3.2.7 Deep learning | Clase asíncrona: [FundDL] Secc 2.5-2.8 Recursos adicionales: Introduction to Deep Learning and Applications (slides) Representation Learning and Deep Learning Tutorial Notebook: CNN for image classification in Keras | Práctica 8 |
Nov 15 | 3.2.7 Deep learning | Clase asíncrona: [FundDL] Secc 3 Recursos adicionales: Deep learning frameworks (slides) Introduction to TensorFlow (Jupyter notebook) Neural Networks in Keras (Jupyter notebook) | Proyecto Final |
Nov 22 | 3.2.7 Deep learning | Clase asíncrona: [FundDL] Secc 4.1-4.5 Recursos adicionales: Deep learning frameworks (slides) Introduction to TensorFlow (Jupyter notebook) Neural Networks in Keras (Jupyter notebook) | Presentación quiz faltante |
Nov 27 | Evaluación curso Deep Learning | ||
Nov 29 | 3.3 Aprendizaje no supervisado 3.3.2 Clustering (agrupamiento) | Clase asíncrona: Agrupamiento (video) K-means(slides) Notebook: Agrupamiento | Práctica 9 Quiz clustering | Nov 29 | 3.3.1 Reducción de la dimensionalidad | Clase asíncrona: Reducción de la dimensionalidad con PCA (video) Intro to PCA (slides) A tutorial on principal component analysis (slides) Reducción de la dimensionalidad con PCA (notebook) | </tr> |
Dic 4 | Examen Final |
El objetivo es cursar y aprobar algunas de las actividades del curso Fundamentos de Deep Learning. Se debe revisar el material y completar los laboratorios en las fechas especificadas: