Créditos
4
Horas Estimadas
35h
Temas
14
Correlativas
Temario
Información y comunicaciones
Definición de información, entropía, redundancia
2h 0min
Señales de transmisión
Analógicas, digitales, espectro, Fourier
3h 0min
Ruido y distorsión
Tipos de ruido, S/R, distorsión, atenuación
2h 20min
Análisis de espectro
Fourier, densidad espectral, ancho de banda
3h 40min
Medidas en telecomunicaciones
Niveles, dB, impedancia
2h 0min
Filtros
Pasa-bajos, pasa-altos, Butterworth
3h 40min
Velocidad de transmisión
Nyquist, Shannon, capacidad de canal
2h 20min
Tipos de transmisión
Serial, paralelo, simplex, dúplex
2h 40min
Canales de comunicaciones
Par trenzado, coaxial, fibra, wireless
2h 20min
Modelo OSI y TCP/IP
Capas, funciones, protocolos, encapsulamiento
3h 20min
Modulación y multiplexación
AM, FM, PM, FDM, TDM, WDM, CDMA
3h 0min
Teoría de la información
Shannon, Huffman, compresión
3h 40min
Medios físicos
Cableado estructurado, fibra, wireless, IEEE
2h 20min
Detección de errores
Paridad, CRC, Hamming, ARQ
3h 40min
Metodología
Teoría
Clase teorica sobre conceptos de IA, busqueda, representacion del conocimiento y aprendizaje automatico.
Práctica
Laboratorio con implementacion de algoritmos de busqueda, arboles de decision y redes neuronales.
Actividades
- Implementacion de algoritmos de busqueda
- Construccion de arboles de decision
- Entrenamiento de modelos de ML
- Trabajos Practicos de IA
- Analisis de datasets
Evaluación
Regularidad
Aprobar como minimo 2 parciales con nota >= 4. Asistencia regular obligatoria (80% minimo).
Promoción
Examen final escrito con ejercicios de IA y ML.
Recuperatorio
Recuperatorio en el primer semestre del ano siguiente.
Objetivos de Aprendizaje
- Comprender los fundamentos teoricos de la inteligencia artificial.
- Implementar algoritmos de busqueda y optimizacion.
- Entrenar y evaluar modelos de aprendizaje automatico.
- Aplicar tecnicas de IA a problemas de ingenieria.
Competencias
- Implementar algoritmos de busqueda (A*, minimax).
- Construir clasificadores con arboles de decision y SVM.
- Evaluar modelos de ML con metricas apropiadas.
- Aplicar tecnicas de deep learning basicas.
Ejercicios Tipo Parcial
Busqueda
3/5
Aplicar el algoritmo A* para encontrar el camino mas corto en un grafo con pesos.
Solución: Usar f(n) = g(n) + h(n), donde g es el costo real y h la heuristica. Expandir siempre el nodo con menor f.
Machine Learning
3/5
Entrenar un arbol de decision para clasificar emails como spam o no spam.
Solución: Features: frecuencia de palabras, presencia de enlaces, longitud del mensaje. Split por ganancia de informacion.
Preguntar al Tutor
Resolvé dudas sobre esta materia
Practicar
Ejercicios adaptativos por tema
Crear Flashcards
Repetición espaciada para memorizar
Cargando materiales...