Cognita Study — Tu Tutor IA Universitario

Fundamentos y aplicaciones de la IA: búsqueda, conocimiento, ML, redes neuronales y PLN.

Conceptos clave

Búsqueda y resolución de problemasRepresentación del conocimientoMachine learningDeep learningNLPSistemas expertos

Créditos

Horas Estimadas

45h

Temas

Correlativas

IO SIM

Temario

Introducción a la IA

Definición, historia, agentes, entornos

2h 20min

Búsqueda en espacios de estados

BFS, DFS, A*, genéticos, simulated annealing

4h 20min

Representación del conocimiento

Lógica, ontologías, redes semánticas, marcos

4h 0min

Razonamiento automatizado

Inferencia lógica, chaining, sistemas expertos

3h 20min

Machine learning: supervisado y no supervisado

Regresión, clasificación, clustering, evaluación

5h 20min

Redes neuronales y deep learning

Perceptrón, MLP, CNN, RNN, transformers

6h 40min

NLP

Tokenización, embeddings, BERT, GPT, sentimiento

5h 0min

Visión por computadora

Procesamiento de imagen, CNN visión, detección

4h 0min

Algoritmos genéticos

Población, selección, cruza, mutación, fitness

3h 0min

IA generativa

GANs, VAEs, diffusion, ética

3h 20min

Ética en IA

Sesgo, explicabilidad, regulación, impacto

2h 0min

Aplicaciones en SI

Automatización, predicción, chatbots

2h 20min

Objetivos

Dominar las tecnicas de aprendizaje profundo.
Implementar redes neuronales convolucionales y recurrentes.
Aplicar modelos de PLN (procesamiento de lenguaje natural).
Evaluar el rendimiento de modelos de IA.

Competencias

Implementar redes neuronales con TensorFlow/PyTorch.
Disenar arquitecturas CNN, RNN y transformers.
Aplicar tecnicas de transfer learning.
Evaluar modelos con metricas de precision, recall y F1.

Metodología de cursada

Teoría

Clase teorica sobre IA avanzada, deep learning, redes neuronales y procesamiento de lenguaje natural.

Práctica

Laboratorio con TensorFlow/PyTorch, implementacion de redes neuronales, analisis de datos.

Actividades

Implementacion de redes neuronales con TensorFlow
Entrenamiento de modelos de clasificacion
Analisis de conjuntos de datos reales
Trabajos Practicos de deep learning
Presentaciones sobre IA

Forma de evaluación

Regularidad

Aprobar como minimo 2 parciales con nota >= 4. Asistencia regular obligatoria (80% minimo).

Promoción

Examen final con ejercicios de IA y deep learning.

Recuperatorio

Recuperatorio en el primer semestre del ano siguiente.

Criterios

2 Parciales (cada uno 40% de la nota de cursada)
Trabajos Practicos de laboratorio (20%)
Examen final (100% de la nota final)

Bibliografía

Oficial

•Russell, S. & Norvig, P. Artificial Intelligence: A Modern Approach. 4a edicion. Pearson.
•Goodfellow, I. et al. Deep Learning. MIT Press.
•Bishop, C. Pattern Recognition and Machine Learning. Springer.

Complementaria

•Ng, A. Machine Learning (Coursera). Stanford.
•LeCun, Y. et al. Deep Learning. Nature.

Ejercicios tipo parcial

Preguntas oficiales con resolución para practicar antes del examen.

Redes neuronales

Pregunta: Disenar una red neuronal para clasificar imagenes de digitos (MNIST).

Solución: Input: 784 (28x28). Capas: Dense(128, relu) -> Dropout(0.2) -> Dense(64, relu) -> Dense(10, softmax). Optimizer: Adam. Loss: categorical_crossentropy.

PLN

Pregunta: Implementar un clasificador de sentimiento usando LSTM.

Solución: Embedding -> LSTM(128) -> Dense(64, relu) -> Dense(1, sigmoid). Entrenar con reviews de IMDB. Binary crossentropy.

Inteligencia Artificial