En este curso, ofrecido por la UNAM, cubriremos el pasado, presente y futuro de la inteligencia artificial. También mencionaremos los conceptos más importantes que serán útiles en el resto del programa especializado. Discutiremos las implicaciones sociales, éticas y filosóficas de los desarrollos en inteligencia artificial.

El razonamiento formal juega un papel importante en la inteligencia artificial. Hay dos maneras principales de formalizar razonamiento: una que enfatiza la deducción (lógica), y otra que enfatiza la incertidumbre (teoría de la probabilidad). En este curso vamos a cubrir una introducción tanto a la lógica (vamos a cubrir tres lógicas) como a la teoría de la probabilidad (vamos a cubrir tres modelos gráficos probabilísticos).
Algunas tareas requieren programación básica en Python: El alumno deberá completar código al que se le ha eliminado una parte.

En el proyecto culminante del programa especializado Introducción a la Inteligencia Artificial, los estudiantes aplicarán conceptos adquiridos durante el programa en un problema de su elección.

El proyecto involucrará el desarrollo de un programa de software y la escritura de un ensayo. Se extenderá por lo menos uno de los temas cubiertos en el programa especializado, realizando una implementación, comparándolo con otras técnicas y reportando los resultados en un ensayo. La evaluación será por pares.

Los objetivos del proyecto son:

* Aplicar el conocimiento adquirido durante el programa especializado a un dominio particular.
* Implementar tecnología de IA con un propósito específico.
* Comparar la solución desarrollada con existentes.
* Reportar los resultados en un ensayo estructurado (máximo 10 páginas).

El aprendizaje de máquinas es una rama de la inteligencia artificial dedicada al estudio de métodos para dotar a los agentes artificiales de la capacidad de aprender a partir de ejemplos y/o experiencia. Los métodos de aprendizaje de máquinas pueden generar modelos de problemas complejos a través de instancias específicas, los cuales son capaces de generalizar y/o adaptarse a situaciones nuevas. Estos modelos han permitido llevar a cabo muchas nuevas aplicaciones en áreas muy diversas como generación de descripciones de imágenes, predicción de readmisión hospitalaria o detección de partículas subatómicas. En la actualizada frecuentemente interactuamos con modelos de aprendizaje de máquinas en diversas actividades de nuestra vida cotidiana. Por ejemplo, cuando utilizamos el teclado virtual en nuestros teléfonos móviles, un modelo de aprendizaje de máquinas trata de predecir la siguiente palabra que queremos escribir a partir de nuestro patrón de escritura y la de otros usuarios. De igual manera, al realizar una búsqueda en Internet, un modelo de aprendizaje de máquinas identifica los documentos más relevantes a ser mostrados de todos los posibles documentos usando nuestro historial de búsqueda. Al tomar una foto con nuestra cámara digital, un modelo de aprendizaje de máquinas detecta los rostros en la escena para poder enfocarlos de forma adecuada.

Este es un curso básico introductorio al aprendizaje de máquinas con un enfoque práctico, el cual aborda tanto los fundamentos generales como métodos específicos y algunos aspectos prácticos. El curso aborda tanto el aprendizaje supervisado como el aprendizaje sin supervisión. Los métodos que se presentan en el curso son regresión lineal, regresión logística, redes neuronales y K-medias.

Los seres vivos han evolucionado en entornos cambiantes, por lo que han desarrollado mecanismos que les permiten exhibir comportamiento adaptativo. Usando el método sintético, podemos construir sistemas artificiales adaptativos que implementen dichos mecanismos, con lo cual también podemos incrementar nuestra comprensión de los sistemas naturales.

En este curso veremos diversos conceptos que se han aplicado en la inteligencia artificial con orígenes en la biología y en la cibernética. Construyendo sobre ejemplos de sistemas vivos, revisaremos diversos algoritmos que permiten a los sistemas adaptarse y de esta manera enfrentar a la complejidad y cambios de su entorno. También cubriremos temas relacionados con la robustez, la cual complementa a la adaptación. Finalmente, veremos algunas aplicaciones de este tipo de inteligencia artificial. En el proyecto final, se desarrollará un sistema artificial que exhiba comportamiento adaptativo.

¿Qué es la creatividad? ¿Pueden ser creativas las computadoras? ¿Cómo, cuándo y con qué objetivo surgió esta nueva área de investigación? ¿Hasta dónde hemos llegado en la creación de sistemas “creativos” y qué teorías, metodologías y técnicas podemos usar para programar y evaluar este tipo de sistemas en generación de narrativas, música, descubrimiento científico, artes visuales, etcétera?

Analizaremos éstas y otras preguntas, y discutiremos sobre sus implicaciones a lo largo del curso. Asimismo, conforme avances en las lecciones, irás construyendo poco a poco tu propio agente artificial creativo.

Es indispensable que cuentes con conocimientos básicos en programación (Python) y algoritmos genéticos.

La computación evolutiva (evolutionary computation, EC), aplica la teoría de la evolución natural y la genética en la adaptación evolutiva de estructuras computacionales, proporcionando un medio alternativo para atacar problemas complejos en diversas áreas, como la ingeniería, economía, química, medicina y, porque no, las artes. Una población de posibles soluciones de un problema dado es análoga a una población de organismos vivos que evolucionan cada generación, al recombinar los mejores individuos de la población y transmitir sus características de dichos individuos padres, a sus descendientes. En este campo, diferentes esquemas de métodos evolutivos se han desarrollado, los cuales difieren en el tipo de estructuras que conforman la población.
Algoritmos evolutivos (AE), como también se le conoce al cómputo evolutivo (EC), se definen como métodos de optimización y búsqueda, los cuales están inspirados y tratan de imitar de manera parcial los procesos de la evolución natural, y mantienen una población de estructuras que evolucionan de acuerdo a reglas de selección y otros operadores genéticos, como cruzamiento y mutación (Bäck, 1996).
Los algoritmos evolutivos no son los únicos métodos de optimización propuestos a partir de sistemas biológicos. Se tiene una variedad de algoritmos de optimización, que tratan de imitar el comportamiento de sistemas naturales, como las colonias de hormigas, algoritmos culturales y optimización por cúmulos de partículas, entre otros. De aquí surge lo que se conoce como algoritmos bioinspirados, ya que toman sus bases a partir de la estructura de procesos y sistemas biológicos: la evolución, la selección natural, comportamiento social de animales, como las hormigas, abejas, peces.

BÄCK, T. (1996) Evolutionary Algorithms in Theory and Practice. Oxford University Press. DARWIN, C. (1859) On the Origin of Species by Means of Natural Selection, or the Preservation of Favoured Races in the Struggle for Life, John Murray.

Esta materia de corte teórico forma parte del programa especializado introducción a la Inteligencia Artificial, aunque puede tomarse de manera independiente.

Las ciencias cognitivas estudian el conocimiento, por lo que abarca a una diversidad de disciplinas, tales como la psicología, neurofisiología, lingüística, filosofía y también la inteligencia artificial. Por una parte, las ciencias cognitivas pueden ayudarnos a construir sistemas que exhiban una inteligencia más sofisticada. Por otra, los avances y experimentos en inteligencia artificial pueden ser útiles al resto de las ciencias cognitivas.

En este curso cubrirá brevemente la historia y conceptos más relevantes de ciencias cognitivas, relacionándolos con temas revisados en el Programa Especializado.

El objetivo es que puedas desarrollar un discurso para expresar tu opinión sobre la cognición en humanos, animales, otros seres vivos y máquinas.