INTELIGENCIA ARTIFICIAL
Embedded Files
Sobre el curso
Sobre el curso
Este curso es una introducción al programa general de la inteligencia artificial, mismo que enfocará sus esfuerzos no sólo en transferir a las personas estudiantes los fundamentos técnicos paradigmáticos incluidos en el temario originalo, sino también conocimientos de frontera en torno a neurotecnología, arquitectura cognitiva y grandes modelos del lenguaje. Además, se promoverá que las personas estudiantes se involucren en discusiones de frontera sobre las implicaciones, alcances y naturaleza de la I.A.
2 Evaluación del curso
2 Evaluación del curso
40%
Exámanes
40%
Tareas-implementación
25%
Proyecto final
Exámenes (40%): a realizarse en el aula en el horario de laboratorio. Se aplicará uno por cada módulo del curso. No hay reposiciones. Es posible hacer un examen final, ni examen final.
Tareas-implementación (40%): una por cada módulo, a entregarse antes del examen del módulo. El laboratorio del curso servirá como el espacio para ir resolviendo estas tareas-implementación con calma.
Proyecto final del módulo 3 (25%): a entregarse a finales de semestre, desarrollando una solución tecnológica utilizando algo de lo que se estudiará en el módulo final.
Para obtener NP, deberás haber entregado 0 actividades y solicitarlo por correo al profesor del curso antes del fin de semestre.
3 Temario
3 Temario
Módulo 1: Introducción
Filosofía de la mente y de la I.A.
Programa general de la I.A. desde la filosofía de la mente
Tres aproximaciones: simbólica, estadística y neuronal
Computacionalismo VS conexionismo
Teoría del Control y cibernética
Módulo 2: Inteligencia artificial paradigmática
Búsqueda y heurísticas
Agentes y entornos
Razonamiento y aprendizaje estadístico
Redes neuronales artificiales
Aprendizaje de máquina
Aprendizaje profundo
Transformadores generativos pre-entrenados (GPTs)
Módulo 3: Inteligencia artificial y frontera
Simulación cerebral total
Aprendizaje cuántico de máquina
Inteligencia Artificial Enactiva
Memoria entrópica asociativa
El problema de la traducción y el NLP
El problema mente-cuerpo y la subdeterminación material en robótica
Life-long Machine Learning
Wetware y organelos: neuronas bajo demanda
I.A. y computabilidad: Redes Neuronales Recurrentes Interactivas Análogas Evolutivas
Teoría de los Sistemas Anticipatorios y la I.A.
Consciencia Artificial
4 Bibliografía
4 Bibliografía
Los textos centrales se marcan en negritas.
Alsohybe, N. T., Dahan, N. A., & Ba-Alwi, F. M. (2017). Machine-Translation History and Evolution: Survey for Arabic-English translations. Current Journal of Applied Science and Technology, 23(4): 1–19.
Buhrmester, V., Münch, D., & Arens, M. (2019). Analysis of Explainers of Black Box Deep Neural Networks for Computer Vision: a survey. arXiv:1911.12116 [cs.AI]
Chalmers, D. J. (1993). Toward a Theory of Consciousness. Indiana University.
Christiansen, M.H. & Chater, N. (1999). Connectionist natural language processing: The state of the art. Cognitive Science Vol 23(4) 1999, pp. 417–437, ISSN 0364-0213.
Elman, J. L. (2017). Connectionism, Artificial Life, and Dynamical Systems. En: Graham, G. & Bechtel, W. (eds.) A Companion to Cognitive Science. Blackwell: 488–505.
Faust, L, (1994). Fundamentals of Neural Networks. Architectures, Algorithms, and Applications. Prentice-Hall. New Jersey.
Golumbia, D. (2009). 2. Chomsky’s Computationalism. En: The Cultural Logic of Computation: 31-58.
Joshi, P. (2017). Artificial intelligence with Python. Packt Publishing Ltd.
Kirchhoff, M. D., y Froese, T. (2017). Where there is life there is mind: in support of a strong life-mind continuity thesis. Entropy, 19(4), 169.
Maturana, H. R. (1978). Cognition. En: Hejl, P.M., Wolfram K.K., & Gerhard R. (Eds.) Wahrnehmung und Kommunikation. Frankfurt: Peter Lang: 29-49.
McCulloch, W. S., & Pitts, W. H. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 7: 115–133.
Orrego-Carmona, D. (2022). Machine translation in everyone’s hands - Adoption and changes among general users of MT. Revista Tradumática, 20: 322–339.
Piccinini, G. (2004). The first computational theory of mind and brain: A close look at McCulloch and Pitts’s‘‘Logical calculus of ideas immanent in nervous activity.’ Synthese, 141(2): 175–215.
Quine, W.V. (1960/2013). Word and Object (Studies in Communication). Martino Fine Books.
Rosen, R. (1991/2005). Life Itself: A Comprehensive Inquiry Into the Nature, Origin, and Fabrication of Life. Columbia University Press.
Rosen, R. (1999). Essays on Life Itself. Columbia University Press.
Russell, S. y Norvig, P. (2021). Artificial Intelligence: A Modern Approach. 4th Edition. Pearson.
Schuld, M; Sinayskiy, I; Petruccione, F. (2014). An introduction to quantum machine learning. Contemporary Physics 56(2): 172–185.
Siegelmann, H.T., & Sontag, E.D. (1994). Analog Computation via Neural Networks. Theoretical Computer Science 131(2): 331–360.
Sutskever, I., Vinyals, O., & Le, Q.V. (2014). Sequence to Sequence Learning with Neural Networks. arXiv:1409.3215 [cs.CL]
Tachioka, Y., Watanabe, S., Roux, J. L., & Hershey, J. R. (2014). Sequence discriminative training for low-rank deep neural networks. IEEE Global Conference on Signal and Information Processing (GlobalSIP).
Turing, A. (2004). Intelligent Machinery (1948). Oxford University Press.
Turing, A. M. (1950). I.—Computing Machinery and Intelligence. Mind, LIX(236); 433–460.
Van Rooij, I., Guest, O., Adolfi, F., De Haan, R., Kolokolova, A., & Rich, P. (2024). Reclaiming AI as a theoretical tool for cognitive science. Computational Brain & Behavior. https://doi.org/10.1007/s42113-024-00217-5
Villalobos, M. & Dewhurst, J. (2016). Computationalism, Enactivism, and Cognition: Turing Machines as Functionally Closed Systems. En: A. Lieto, M. Bhatt, A. Oltramari, & D. Vernon (eds.), Proceedings of the 4th International Workshop on Artificial Intelligence and Cognition co-located with the Joint Multi-Conference on Human-Level Artificial Intelligence (HLAI 2016): 138-147.
Walker, S.F. (1992) A brief history of connectionism and its psychological implications. En: Clark, A. & Lutz, R. (eds) Connectionism in Context. Berlin: Springer-Verlag: 123-144
Weaver, W. (1949). Translation. Recuperado desde: https://aclanthology.org/1952.earlymt-1.1.pdf
Wermter, S., Riloff, E., & Scheler, G. (1996). Connectionist, statistical and symbolic approaches to learning for natural language processing. Lecture Notes in Computer Science.
5 Detalles del curso para el semestre 2025-2
5 Detalles del curso para el semestre 2025-2
Modalidad
Presencial en el aula O125 del edificio oriente de la Antigua Facultad de Ciencias (y en el Laboratorio de Ciencias de la Computación 1 los miércoles de 12:00 a 14:00).
Personal académico
Profesor: Lic. en C. Comp. Enrique Francisco Soto Astorga
Adjunto: Cand. a LCC. José Manuel Madrigal Ramírez
Laboratorista: Cand. a LCC. Ricardo Enrique Pérez Villanueva
Horario
Lunes
18:30 - 20:00
Martes
18:30 - 19:30
Miércoles
12:00 - 14:00
18:30 - 20:00
Jueves
18:30 - 19:30
Page updated
Report abuse