IFCT155PO. Introducción a la inteligencia artificial y los algoritmos.
Horas: 180 Formato: HTML
Objetivos
- Conocer todas las nociones y características de las IA y su aplicación directa en algoritmos.
- Conocer la diferencia entre Inteligencia Artificial y programa informático.
- Repasar varios acontecimientos históricos que marcaron los inicios de la hoy conocida como Inteligencia Artificial.
- Conocer diferentes autores, sus proyectos y la importancia histórica de sus trabajos científicos.
- Entender cómo funciona una IA y de qué forma aprende imitando el comportamiento humano.
- Conocer las características que tienen en común todas las Inteligencias Artificiales.
- Comprender cuales son los retos principales que traen estas características.
- Aprender los símbolos, y su relación con los métodos y técnicas empleados en la Inteligencia Artificial.
- Entender la programación lógica y como se forman sus expresiones básicas.
- Conocer los sistemas expertos y su importancia como antecedentes de otros sistemas de IA actuales.
- Conocer dos de los lenguajes empleados en la construcción de sistemas expertos y la lógica proposicional: LISP y PROLOG.
- Comprender las diferencias y similitudes entre la lógica proposicional y la lógica de predicados, así como otros modelos de lógica.
- Dominar los elementos, conectores y fórmulas bien formadas de la lógica proposicional.
- Aprender los conceptos y componentes de la lógica de predicados de primer orden, incluyendo el alfabeto, las oraciones del lenguaje de primer orden, la semántica y la interpretación.
Descripción
- Unidad 1: Nociones y antecedentes.
- Nociones y antecedentes. En la Antigüedad.
- Leonardo da Vinci: Autómata Cavaliere y el león mecánico.
- Nociones.
- Norbert Wiener, Warren McCulloch y Walter Pitts.
- Alan Turing.
- Premio Loebner y los Chatbots.
- Reconocimiento.
- Ajedrez.
- Microprocesadores y Deep Blue.
- Lenguaje Natural: fases 1 y 2.
- Lenguaje Natural: fases 3 y 4.
- ¿Inteligencia Artificial o programa informático?
- Nuevo auge.
- Unidad 2: Características de la IA.
- Características de la IA.
- Situaciones en las que podemos aplicar la IA.
- Características comunes de la Inteligencia Artificial.
- Las redes neuronales.
- Imita el cerebro humano.
- Ventajas de las redes neuronales.
- Machine Learning (ML). Supervisado y sin supervisión.
- Machine Learning (ML). Semisupervisado y uso de refuerzo.
- Automatización de procesos.
- Función 24×7.
- Precisión absoluta.
- Gestión de datos abundantes.
- Hablemos más de datos.
- Datos estructurados vs no estructurados.
- Retos. Datos y personal.
- Retos. Coste y software.
- Características de la IA.
- Unidad 3: Símbolos y métodos numéricos.
- Símbolos y métodos numéricos. Introducción a la Inteligencia Artificial débil.
- Introducción. Inteligencia Artificial fuerte.
- Introducción. Sistemas expertos y lenguajes modernos.
- Sistemas expertos.
- Sistemas expertos. Clasificación.
- Sistemas expertos. Funcionamiento.
- Sistemas expertos. Primera y segunda generación.
- Sistemas expertos. Tercera generación y lógica difusa.
- Sistemas expertos. Tareas.
- Caja negra y caja de cristal.
- Caja negra y caja de cristal. Ejemplos y conclusiones.
- Lógica proposicional.
- Lenguaje de la representación del conocimiento.
- Sintaxis de la lógica proposicional.
- Semántica de la lógica proposicional.
- Tablas de verdad.
- Inferencia o razonamiento.
- Lenguajes de desarrollo de la IA.
- Lenguajes de desarrollo de la IA. LISP y PROLOG.
- Funcionamiento de LISP y PROLOG.
- Símbolos y métodos numéricos. Introducción a la Inteligencia Artificial débil.
- Unidad 4: Fórmulas y funciones.
- Introducción. Lógica proposicional.
- Introducción. Lógica de predicados.
- Introducción. Otros modelos de lógica.
- Lógica proposicional. Elementos.
- Conectores.
- Fórmulas bien formadas.
- Lógica de predicados. Lógica de primer orden.
- Componentes.
- Formulas Bien Formadas (FBF).
- Alfabeto de la lógica de primer orden.
- Alfabeto de la lógica de primer orden.
- Oraciones del lenguaje de primer orden.
- Semántica de primer orden.
- Interpretación de un lenguaje de primer orden.
- Verdad en una interpretación.
- Modelos y satisfacibilidad.
- Sistemas deductivos. Objetivo.
- Hilbert y su sistema.
- Reglas de Inferencia.
- Teorema de la deducción.
- Sistemas formales y la incompletitud de Gödel.
- Teorema de Gödel sobre la incompletitud de los sistemas formales.
- Conclusión.
- Introducción. Lógica proposicional.
- Unidad 5: Algoritmos.
- Introducción. Algoritmos I.
- Introducción. Algoritmos II.
- Aprendizaje automático supervisado. Contexto.
- Redes neuronales artificiales.
- Algoritmos de clasificación.
- Árboles de decisión.
- Algoritmos de regresión.
- Aprendizaje automático NO supervisado. Contexto.
- Aprendizaje por refuerzo (Reinforcement Learning).
- Algoritmos genéticos.
- Algoritmos de clustering.
- Reducción de dimensionalidad.
- Minería de datos. Contexto.
- Relación entre minería de datos e IA.
- Algoritmos de detección de anomalías.
- Algoritmos de minería de datos.
- Algoritmos de selección de características.
- Algoritmos de agrupamiento difuso (Fuzzy Clustering).
- Procesamiento de imágenes y voz. Contexto.
- Reducción de ruido en imágenes mediante algoritmos de filtrado.
- Algoritmos de análisis de sentimientos.
- Algoritmos de detección de objetos en imágenes.
- Algoritmos de reconocimiento de voz.
- Procesamiento del lenguaje natural y predicción. Contexto.
- Algoritmos de procesamiento del lenguaje natural.
- Algoritmos de predicción de series temporales.
- Algoritmos de optimización de redes neuronales.
- Introducción. Algoritmos I.
- Unidad 6: Algoritmos y aplicaciones de negocio (caso geolocalización).
- Introducción. ¿Qué son los algoritmos y por qué son importantes para los negocios?
- Ejemplos de algoritmos utilizados en los negocios.
- Introducción a la geolocalización y su importancia en el ámbito empresarial.
- Maneras de mejorar los negocios con algoritmos I.
- Maneras de mejorar los negocios con algoritmos II.
- Utilización de algoritmos en la toma de decisiones empresariales.
- Aplicaciones de algoritmos en la gestión de datos y análisis de información empresarial.
- Algoritmos de Inteligencia Artificial y su impacto en los negocios.
- Algoritmos de optimización y su aplicación en la gestión de recursos empresariales.
- Algoritmos en la planificación y gestión de proyectos empresariales.
- Desafíos y conclusiones. Desafíos en la implementación de algoritmos en los negocios.
- ¿Cuáles son las oportunidades que brindan los algoritmos en los negocios y cómo las empresas pueden aprovecharlas?
- Algoritmos y aplicaciones de geolocalización. Conceptos fundamentales de los algoritmos de geolocalización.
- Tipos de algoritmos de geolocalización utilizados en el mundo empresarial.
- Ejemplos de aplicaciones de negocio que utilizan la geolocalización.
- Herramientas y plataformas de geolocalización disponibles para las empresas.
- Beneficios de la geolocalización para el ámbito empresarial: ahorro de costes, aumento de la eficiencia, mejora de la toma de decisiones.
- Desafíos y limitaciones de la geolocalización en el ámbito empresarial: privacidad, precisión de los datos, acceso a la tecnología.
- Tendencias y perspectivas futuras. Tendencias y perspectivas futuras de la geolocalización en el mundo empresarial.
- Conclusiones.
- Introducción. ¿Qué son los algoritmos y por qué son importantes para los negocios?
- Unidad 7: Sistemas basados en conocimiento.
- Introducción a los sistemas basados en conocimiento. Definición de sistemas basados en conocimiento.
- Diferencias entre sistemas basados en conocimiento y sistemas expertos.
- Ejemplos de aplicaciones de sistemas basados en conocimiento.
- Ventajas y desventajas de los sistemas basados en conocimiento.
- Tendencias y futuro de los sistemas basados en conocimiento.
- Representación del conocimiento. Tipos de conocimiento: declarativo, procedimental y heurístico.
- Métodos de representación del conocimiento.
- Selección del método de representación adecuado para el problema a resolver.
- Transformación de conocimiento en una forma utilizable por el sistema.
- Modelos de conocimiento híbridos.
- Adquisición de conocimiento. Métodos para adquirir conocimiento.
- Herramientas de apoyo a la adquisición de conocimiento.
- Procesos de validación y verificación de la calidad del conocimiento adquirido.
- Incorporación de feedback para mejorar la calidad del conocimiento.
- Métodos de transferencia de conocimiento.
- Implementación y evaluación de sistemas basados en conocimiento. Diseño e implementación de sistemas basados en conocimiento.
- Evaluación del desempeño de los sistemas basados en conocimiento.
- Mantenimiento y actualización de los sistemas basados en conocimiento.
- Integración de sistemas basados en conocimiento con otros sistemas de IA.
- Diseño y evaluación de interfaces de usuario para sistemas basados en conocimiento.
- Aplicaciones específicas de sistemas basados en conocimiento. Aplicaciones en la medicina.
- Aplicaciones en la gestión del conocimiento empresarial.
- Aplicaciones en la robótica y la automatización.
- Aplicaciones en la educación.
- Introducción a los sistemas basados en conocimiento. Definición de sistemas basados en conocimiento.
- Unidad 8: Motores de inferencia.
- Conceptos fundamentales de los motores de inferencia.
- ¿Qué son los motores de inferencia?
- Funciones de los motores de inferencia en la Inteligencia Artificial.
- Ventajas y desventajas de los motores de inferencia en la Inteligencia Artificial.
- Modelos de inferencia en la Inteligencia Artificial.
- Tipos de motores de inferencia.
- Modelos de inferencia en la Inteligencia Artificial.
- Diferencias entre los modelos de inferencia en la Inteligencia Artificial.
- Modelos de inferencia específicos.
- Modelos de inferencia basados en reglas.
- Modelos de inferencia probabilística.
- Modelos de inferencia basados en redes neuronales.
- Modelos de inferencia basados en lógica difusa.
- ¿Qué es el razonamiento basado en casos y cómo se relaciona con los motores de inferencia?
- Representación del conocimiento en los motores de inferencia.
- ¿Cómo se representa el conocimiento en los motores de inferencia?
- Lenguajes de representación del conocimiento en los motores de inferencia.
- Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte I.
- Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte II.
- Aplicaciones y tendencias de los motores de inferencia.
- Tendencias de los motores de inferencia.
- Ejemplos de motores de inferencia utilizados en la Inteligencia Artificial.
- Aplicaciones de los motores de inferencia en la Inteligencia Artificial.
- Tendencias actuales en el desarrollo de los motores de inferencia.
- Desafíos en el desarrollo de los motores de inferencia en la Inteligencia Artificial.
- Futuro de los motores de inferencia en la Inteligencia Artificial.
- Conceptos fundamentales de los motores de inferencia.
- Unidad 9: Patrones.
- Patrones en el aprendizaje automático supervisado.
- Introducción a los patrones en el aprendizaje automático supervisado.
- Ejemplos de patrones en conjuntos de datos etiquetados.
- Métodos de detección de patrones en conjuntos de datos.
- Interpretación de patrones encontrados en modelos supervisados.
- Ejemplos de aplicaciones de aprendizaje automático supervisado que utilizan patrones.
- Patrones en el aprendizaje automático no supervisado.
- Introducción a los patrones en el aprendizaje automático no supervisado.
- Métodos de agrupamiento (clustering) y detección de anomalías.
- Ejemplos de patrones en conjuntos de datos no etiquetados.
- Interpretación de patrones encontrados en modelos no supervisados.
- Ejemplos de aplicaciones de aprendizaje automático no supervisado que utilizan patrones.
- Patrones en el procesamiento del lenguaje natural.
- Introducción a los patrones en el procesamiento del lenguaje natural.
- Ejemplos de patrones lingüísticos en textos.
- Métodos de detección de patrones lingüísticos.
- Ejemplos de aplicaciones de procesamiento del lenguaje natural que utilizan patrones.
- Patrones en la visión por computadora.
- Introducción a los patrones en la visión por computadora.
- Ejemplos de patrones visuales en imágenes y videos.
- Métodos de detección de patrones visuales.
- Ejemplos de aplicaciones de visión por computadora que utilizan patrones.
- Patrones en la robótica y la automatización.
- Introducción a los patrones en la robótica y la automatización.
- Ejemplos de patrones en tareas robóticas y de automatización.
- Métodos de detección de patrones en tareas robóticas y de automatización.
- Ejemplos de aplicaciones de robótica y automatización que utilizan patrones.
- Patrones en el aprendizaje automático supervisado.
- Unidad 10: Reglas y restricciones.
- Ética y responsabilidad en la IA y los algoritmos.
- Responsabilidad y accountability en la IA y los algoritmos.
- Ética en el diseño de la IA y los algoritmos.
- La necesidad de diversidad e inclusión en el desarrollo de la IA y los algoritmos.
- Evaluación de impacto ético en la IA y los algoritmos.
- La importancia de la ética en la IA y los algoritmos en la toma de decisiones empresariales y organizativas.
- Sesgos y discriminación en la IA y los algoritmos.
- Sesgos en los algoritmos y cómo evitarlos.
- Discriminación en la IA y los algoritmos.
- Privacidad y seguridad en la IA y los algoritmos.
- Regulaciones y gobernanza en la IA y los algoritmos.
- Regulaciones y leyes sobre la IA y los algoritmos.
- Transparencia y explicabilidad en la IA y los algoritmos.
- Gobernanza de la IA y los algoritmos.
- Impacto de la IA y los algoritmos en diferentes sectores.
- Impacto de la IA y los algoritmos en el empleo y el mercado laboral.
- La IA y los algoritmos como ejemplo en la atención médica y la medicina.
- La IA y los algoritmos en la toma de decisiones políticas y públicas.
- Futuro de la IA y los algoritmos.
- Futuro de la IA y los algoritmos: tendencias y perspectivas.
- La influencia de la Inteligencia Artificial y los algoritmos en la forma en que nos comunicamos y nos relacionamos con los demás.
- El potencial de la IA y los algoritmos para amplificar la desinformación y la propaganda.
- El papel de la IA y los algoritmos en la creación de trabajos y la automatización del trabajo humano.
- Ética y responsabilidad en la IA y los algoritmos.