Material de clase

• Lógica difusa (slides)

  • Introducción y Conceptos (video)

  • Inferencia difusa (video)

  • Trabajo Práctico Nº 1 (documento)

    1. Guia de resolución (video)

    2. Modelo del Péndulo Invertido (jupyter notebook, python source)

• Artificial Intelligence Planning

  • Planning (slides, video)

  • Un planner de progresión: Fast Downward (paper)

  • PDDL (Planning Domain Definition Language)

    1. Overview (curso CSCI 431 Artificial Intelligence by Joshua Eckroth, Stetson University)

    2. PDDL 1.2

    3. PDDL 2.1

    4. PDDL 2.2

    5. PDDL 3

  • AI-Planning module en Unity 3D

  • Trabajo Práctico Nº 2 (documento)

    2. 1. Guia de resolución (video)

          1. Carga aérea

          2. CAPP

       2. Fast Downward

          1. Home

          2. Instrucciones para obtener el código y compilarlo

          3. Repositorio de código

       3. Una versión online (LCAS - Lincoln Centre for Autonomous Systems)

• Machine Learning

  • Introducción (slides, video)

    1. Agentes que aprenden

    2. Tipos de aprendizaje

    3. Datos

    4. Procedimiento de entrenamiento y test. Evaluación de lo aprendido
       

  • Redes neuronales Feedforward fully-connected

    1. Parte I (slides, video, apunte)
       Evolución histórica. Arquitecturas. Modelo general de neurona artificial.
       Redes monocapa: conceptos, operación, aprendizaje, limitaciones. Redes multicapa:
       operación, mejoras respecto a redes monocapa, funciones de pérdida para regresión
       y clasificación, aprendizaje con backpropagation.
       

    2. Parte II (slides, video)
       Inicialización de pesos. Procesamiento de los datos de entrada. Prevención del overfitting:
       cross-validation con early stop, regularización, dropout. Análisis de funciones de acticación.
       Optimización de hiperparámetros (barrido de parámetros).
       

  • Trabajo Práctico Nº 3 (documento)

• • 1. Red Neuronal Feedforward para clasificación (video)

    2. Ejemplo de implementacion (python source)