Encabezado Facultad de Ciencias
Presentación

Ciencias de la Computación (plan 1994) 2024-2

Sexto Semestre, Inteligencia Artificial

Grupo 7001, 42 lugares. 42 alumnos.
Profesor Víctor Germán Mijangos de la Cruz lu mi vi 9 a 10 P211
Ayudante Fausto David Hernández Jasso ma ju 9 a 10 P211
Ayudante Karla Denia Salas Jiménez ma ju 9 a 10
Ayud. Lab. Diego Morando Pérez mi 16 a 18 Laboratorio de Ciencias de la Computación 3
Ayud. Lab. David Emmanuel Maqueda Bojorquez mi 16 a 18 Taller de Ingeniería de Software

 

Objetivo del curso: El curso presentará una introducción general a la Inteligencia Artificial (IA). En éste se revisarán los principales problemas de la IA y algoritmos propuestos para solucionarlos. Se verá el panorama general de diferentes problemas: como problemas de búsqueda, adversariales, problemas de decisión. Asimismo, se revisarán diferentes propuestas para sus soluciones, pasando por métodos clásicos hasta métodos basados en aprendizaje.

Método de evaluación: La evaluación del curso dependerá de 4 tareas, 3 a 4 exámenes y 4 prácticas. Los porcentajes de calificación serán como se indica a continuación:

Actividad Porcentaje
Exámenes 40 %
Tareas 20 %
Práctica 40 %

Asimismo, se podrán presentar dos reposiciones de los exámenes al final del semestre. Sólo se otorgará calificación aprobatoria si se cumple con el promedio y la entrega de todas las actividades.

Temario

  1. Introducción
    1. Definición de IA
    2. Marco histórico del IA
    3. Problemas y aplicaciones
  2. Agentes
    1. Agentes y agentes racionales
    2. Entornos y estructura de agentes
    3. Representación del agente y su entorno
  3. Algoritmos de búsqueda
    1. Algoritmo primero mejor
    2. Búsqueda desinformada
    3. Búsqueda informada
      1. Definición de heurísticas
      2. Algoritmo A*
      3. Algoritmo A* pesado
  4. Problemas adversariales
    1. Introducción a los problemas adversariales
    2. Algoritmo Minimax
    3. Algoritmo alpha-beta
  5. Optimización
    1. Ascenso de la colina
    2. Introducción a algoritmos genéticos
  6. Introducción al aprendizaje automático
    1. Definición de aprendizaje
    2. Tipos de aprendizaje
    3. Entrenamiento y evaluación
    4. Evaluación supervisada
    5. Modelos lineals
  7. Aprendizaje probabilístico
    1. Algoritmo de Bayes ingenuo
    2. Modelos ocultos de Márkov y algoritmo de Viterbi
    3. Redes bayesianas
  8. Aprendizaje supervisado no paramétrico
    1. Árboles de decisión
    2. k-Vecinos más cercanos
  9. Otros tipos de aprendizaje
    1. Aprendizaje no supervisado
    2. Aprendizaje por refuerzo
    3. Aprendizaje profundo
  10. Cuestiones éticas en IA

Bibliografía

Russell, S. y Norvig, P. (2021). Artificial Intelligence: A Modern Approach. 4th Edition. Pearson.

Joshi, P. (2017). Artificial intelligence with Python. Packt Publishing Ltd.

Material: Parte de los notebooks podrán consultarse en: https://victormijangosdelacruz.github.io/InteligenciaArtificial/

Link de classroom

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos. Aviso de privacidad.