Inteligencia Artificial

"Un lápiz varón que debe reír parlotearía. ¿No siempre el programa debe masticar al bicho en la memoria? La niña decimal que chisporrotea torpemente debería caer. El pastel que seguramente mete un hombre inesperado en la relación siempre podría dar cartas.

El programa debe pasar alegremente.

La digna máquina no siempre debe empastar al astrónomo."

Texto generado por una computadora en "Gödel, Escher, Bach: Una eterna trenza dorada". Hofstadter. pp 734.

Descripción

En el curso se verán los fundamentos matemáticos de las diversas técnicas desarrolladas por la Inteligencia Artificial. Las prácticas de laboratorio estarán orientadas a la aplicación de dichas técnicas a problemas sencillos. El curso se divide, a grandes razgos, en cuatro bloques, aunque se enfoca más en los primeros tres:

  1. Inteligencia artificial clásica: representación del conocimiento y solución de problemas utilizando búsquedas en espacios de estados.

  2. Aprendizaje de máquina: regresión, clasificación, aprendizaje por refuerzo y redes neuronales.

  3. Razonamiento Bayesiano.

  4. Robótica inteligente.

Temario oficial: https://web.fciencias.unam.mx/asignaturas/608.pdf

Por motivos pedagógicos, se ha modificado el orden en que se imparten algunos temas. El temario que se incluye a continuación detalla los subtemas sobre los que se pone más énfasis en el curso.

Temario de este curso: Temario.pdf

Prerrequisitos

Para trabajar adecuadamente con el material del curso, es necesario manejar los temas siguientes de las asignaturas precedentes:

  • Estructuras de datos (árboles, recorridos en profundidad y amplitud, implementación de las estructuras) y análisis de algoritmos (grafos, algoritmo de Dijkstra, programación de grafos y algoritmos sobre ellos, análisis de complejidad).

  • Cálculo con una y varias variables (derivadas, derivadas parciales, gradiente, puntos críticos, optimización, integrales y aproximaciones numéricas).

  • Probabilidad I (definición frecuentista de probabilidad, variables aleatorias, teorema de Bayes, dependencia e independencia probabilística).

Datos generales

Clave de la materia: 0608

Aula virtual: https://quetzalcoatl.fciencias.unam.mx/moodle/course/view.php?id=23 (Pueden entrar como Guest, pero para acceder a las entregas serán dados de alta usando la lista oficial del sistema XFC de la Facultad de Ciencias.)

Políticas de Evaluación

Aula Virtual

Para entregar las prácticas es necesario utilizar el aula virtual. Para el proceso de inscripción se utilizan las listas del sistema XFC, favor de asegurarse que tienen registrado su correo @ciencias en dicha plataforma.

Peso de cada rubro

40% Exámenes parciales (3 exámenes)

15% Tareas (escritas y en línea)

40% Prácticas

15% Proyecto

Favor leer el Reglamento general que se refiere a entregas electrónicas, NPs, etc.

Notas

  • No se tendrán consideraciones especiales con alumnos que encimen materias.

  • No hay NP para extraordinarios largos.

  • Si se detectan copias, la calificación se divide entre el número de participantes. Prevén que nadie podrá sacar más de 5 en este caso.

Bibliografía

  • Rich, E.; Knight, K.; Nair, S., Artificial Intelligence, Tercera Edición, McGraw Hill Book Company, New Delhi, 2009, 568 pp.

  • Russell, S. J.; Norvig, P. Inteligencia Artificial, Un Enfoque Moderno, Segunda Edición, Pearson Educación, S. A., Madrid, 2004, 1240 pp.

  • Ghallab, Malik; Nau, Dana; Traverso, Paolo, Automated Planning, Theory and Practice, Elsevier, U.S.A., 2004, 65 pp.

  • Ghallab, Malik; Nau, Dana; Traverso, Paolo, Automated Planning and Action, Cambridge University Press, ISBN: 9781107037274, August 2016.

  • Mitchel, T. M., Machine Learning, McGrawHill, U.S.A., 1997, 414 pp.

  • Koller, Daphne; Friedman, Nir, Probabilistic Graphical Models, Principles and Techniques, The MIT Press, Cambridge Massachusetts, London England, 2010, 1233 pp.