Intr. a los Sistemas Inteligentes

2023-II

Descripción del Curso

Profesores

Fabio A. González
Profesor Titular
Depto. de Ingeniería de Sistemas e Industrial
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 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

Evaluación

  • Quices 15%
  • Participación 10%
  • Examen 30%
  • Talleres 10%
  • Curso DL: 20%
    • Cada entrega: 4%
    • Evaluación final 4%
  • Proyecto 15%

Notas

Recursos del Curso

Bibliografía

Calendario del curso

</tr>
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)
Dic 4 Examen Final

Actividades Curso Fundamentos de Deep Learning

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:

  • Entrega 1 (Nov 6):
    • LAB 01.01 - WARM UP
    • LAB 2.1 - Customized loss function
  • Entrega 2 (Nov 13):
    • LAB 2.2 - Sparse Autoencoders
    • LAB 2.4 - Model instrumentation
  • Entrega 3 (Nov 19):
    • LAB 3.1 - TF model subclassing
    • LAB 3.2 - Low level Tensorflow
  • Entrega 4 (Nov 26):
    • LAB 4.1 - Convolutions
    • LAB 4.2 - Transfer learning