Curso de Inteligencia artificial

Lo que aprenderás en 10 unidades

1. 1

   Agentes inteligentes

   Empieza aquí

   Describe qué es la IA, modela problemas como agentes que actúan en entornos y formula espacios de estados, acciones y objetivos.

   5 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Explica qué es la inteligencia artificial y cómo se desarrolló este campo
   2. 2.Describe los agentes, los entornos y el comportamiento racional
   3. 3.Clasifica los entornos de tareas
   4. 4.Compara arquitecturas de agentes
   5. 5.Formula problemas como búsquedas en espacios de estados
2. 2

   Búsqueda no informada e informada

   Resuelve problemas con búsqueda en anchura, de costo uniforme y A*, diseña heurísticas admisibles y usa la búsqueda local en espacios muy grandes.

   5 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Plantea problemas como búsquedas y evalúa los algoritmos de búsqueda
   2. 2.Busca sin conocimiento del dominio
   3. 3.Busca con heurísticas: búsqueda voraz primero el mejor y A*
   4. 4.Diseña y evalúa heurísticas
   5. 5.Usa la búsqueda local en espacios muy grandes
3. 3

   Problemas de satisfacción de restricciones

   Formula problemas de programación y asignación como problemas de satisfacción de restricciones y resuélvelos mediante búsqueda con retroceso, propagación de restricciones y heurísticas de ordenación.

   5 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Formula problemas como problemas de satisfacción de restricciones
   2. 2.Resuelve CSP mediante búsqueda con retroceso
   3. 3.Poda los dominios mediante propagación de restricciones
   4. 4.Resuelve CSP mediante búsqueda local
   5. 5.Aprovecha la estructura de un problema
4. 4

   Búsqueda entre adversarios

   Elige jugadas con minimax, la poda alfa-beta y expectimax cuando interviene el azar, y diseña funciones de evaluación.

   6 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Describe los juegos como problemas de búsqueda y dibuja sus árboles de juego
   2. 2.Elige jugadas óptimas con minimax
   3. 3.Acelera minimax con la poda alfa-beta
   4. 4.Juega bien con límites de tiempo mediante funciones de evaluación
   5. 5.Elige jugadas cuando interviene el azar
   6. 6.Explora juegos de gran tamaño mediante la búsqueda en árbol de Monte Carlo
5. 5

   Agentes lógicos y planificación

   Representa conocimientos en lógica proposicional y de primer orden, realiza inferencias y formula problemas de planificación clásica.

   6 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Representa lo que sabe un agente mediante lógica proposicional
   2. 2.Demuestra conclusiones mediante inferencia proposicional y resolvedores SAT
   3. 3.Representa conocimientos en lógica de primer orden
   4. 4.Realiza inferencias en lógica de primer orden
   5. 5.Organiza conocimientos en ontologías y grafos de conocimiento
   6. 6.Formula y resuelve problemas de planificación clásica
6. 6

   Redes bayesianas

   Razona con incertidumbre mediante la probabilidad y la regla de Bayes, representa dependencias con redes bayesianas y calcula respuestas mediante inferencia exacta y por muestreo.

   5 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Razona con probabilidades, la regla de Bayes y la independencia
   2. 2.Representa dependencias con redes bayesianas
   3. 3.Calcula respuestas exactas mediante enumeración y eliminación de variables
   4. 4.Obtén respuestas aproximadas mediante muestreo
   5. 5.Toma decisiones con utilidades, redes de decisión y el valor de la información
7. 7

   Modelos ocultos de Markov

   Modela sistemas cambiantes mediante cadenas de Markov y modelos ocultos de Markov, y sigue estados ocultos mediante filtrado y filtros de partículas.

   5 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Modela un sistema cambiante mediante una cadena de Markov
   2. 2.Representa estados ocultos con modelos ocultos de Markov
   3. 3.Infiere estados ocultos a partir de una secuencia de evidencias
   4. 4.Aproxima el filtrado mediante filtros de partículas
   5. 5.Aplica modelos temporales al seguimiento y al habla
8. 8

   Aprendizaje por refuerzo

   Modela decisiones secuenciales como procesos de decisión de Markov, resuélvelos mediante la iteración de valores y la iteración de políticas y aprende políticas a partir de la experiencia con aprendizaje Q.

   5 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Modela decisiones secuenciales como procesos de decisión de Markov
   2. 2.Expresa valores mediante ecuaciones de Bellman
   3. 3.Resuelve MDP conocidos mediante programación dinámica
   4. 4.Aprende sobre un MDP desconocido a partir de la experiencia
   5. 5.Aprende a actuar mediante aprendizaje Q y exploración
9. 9

   Aprendizaje supervisado y redes neuronales

   Entrena clasificadores sencillos como el clasificador de Bayes ingenuo, el perceptrón y la regresión logística, y explica cómo aprenden las redes neuronales mediante descenso del gradiente.

   6 objetivos de aprendizaje

   Lo que aprenderás

   1. 1.Plantea un problema de aprendizaje supervisado
   2. 2.Clasifica con el clasificador de Bayes ingenuo
   3. 3.Entrena clasificadores lineales
   4. 4.Optimiza modelos mediante descenso del gradiente
   5. 5.Construye y entrena redes neuronales
   6. 6.Reconoce y controla el sobreajuste
10. 10

    Ética, seguridad y gobernanza de la IA

    Evalúa la justicia, la transparencia, la privacidad y los riesgos de seguridad de los sistemas de IA, y explica cómo la regulación y los marcos de gobernanza gestionan esos riesgos.

    6 objetivos de aprendizaje

    Lo que aprenderás

    1. 1.Analiza la ética de un sistema de IA
    2. 2.Detecta, mide y reduce los sesgos injustos
    3. 3.Haz transparentes los sistemas de IA y protege la privacidad
    4. 4.Haz que los sistemas de IA sean seguros, robustos y estén alineados
    5. 5.Evalúa los impactos sociales y laborales de la IA
    6. 6.Explica cómo gestionan el riesgo de la IA la regulación y los marcos de gobernanza