Créditos
3
Horas Estimadas
45h
Temas
12
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
Metodología
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
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.
Objetivos de Aprendizaje
- 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.
Ejercicios Tipo Parcial
Redes neuronales
3/5
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
4/5
Implementar un clasificador de sentimiento usando LSTM.
Solución: Embedding -> LSTM(128) -> Dense(64, relu) -> Dense(1, sigmoid). Entrenar con reviews de IMDB. Binary crossentropy.
Preguntar al Tutor
Resolvé dudas sobre esta materia
Practicar
Ejercicios adaptativos por tema
Crear Flashcards
Repetición espaciada para memorizar
Cargando materiales...