Hablar de inteligencia artificial en muchos círculos es hablar de magia. En este post comentamos lo visto en la asignatura de Inteligencia Artificial en el master Visual Analytics y Big Data. No pretendemos desvelar ningún truco, simplemente transmitir el contenido de esta materia.

Tema 1; Introducción:
Aproximación a los conceptos inteligencia artificial; aprendizaje automático y minería de datos. Interés y aplicaciones Definición de aprendizaje, tareas básicas y ejemplos; Etapas en el descubrimiento de conocimiento.

Tema 2; Resolución de problemas mediante Búsqueda:
Dirección de la búsqueda; Búsqueda exhaustiva o a ciegas; Búsqueda heurística; Búsqueda en juegos; Costes.

Tema 3; Sistemas expertos:
Representación del conocimiento mediante Reglas; Características y estructura de un sistema experto; Técnicas de inferencia: encadenamiento de reglas hacia adelante y hacia atrás; Resolución de conflictos CLIPS: Herramienta software para construir sistemas expertos.

Tema 4; Gestión de la incertidumbre e imprecisión en sistemas expertos:
Razonamiento bayesiano; Factores de certeza; Lógica difusa; Conjuntos difusos; Variables lingüísticas; Reglas difusas; Inferencia difusa; FuzzyCLIPS: Programación de incertidumbre e imprecisión en CLIPS.

Tema 5; Representación del conocimiento mediante árboles de decisión:
Descripción de la tarea de inducción; Algoritmo básico de aprendizaje de árboles de decisión: ID3; Espacio de búsqueda y bias inductivo; Métodos de selección de atributos; Sobreajuste y poda de árboles; Medidas de precisión de la clasificación; Simplificación de árboles de decisión mediante poda: algoritmo C4.5; WEKA: herramienta software para el análisis de conocimiento.

Tema 6; Reglas:
Representación del conocimiento mediante Reglas; Algoritmos de aprendizaje de reglas de clasificación; Algoritmos de aprendizaje de reglas de asociación

Tema 7; Clustering:
Agrupamiento o clasificación no supervisada: Tipos de algoritmos de clustering. Medida de Distancia; Agrupamiento exclusivo. El algoritmo K-means; Agrupamiento jerárquico. Algoritmo de agrupamiento jerárquico aglomerativo; Agrupamiento probabilista. El algoritmo EM; Agrupamiento solapado. El algoritmo Fuzzy C-means.

Tema 8; Sistemas de recomendación:
Tipos de recomendadores y aplicaciones; Recomendación colaborativa. Filtrado colaborativo basado en usuarios; Filtrado colaborativo basado en ítems; Recomendación basada en contenido. Representación del contenido y similitud entre elementos

Tema 9; Redes neuronales artificiales:

Fundamento biológico; La neurona artificial. El perceptrón; Redes neuronales multicapa; Redes neuronales recurrentes. Hopfield Network

Tema 10; Computación evolutiva:
Algoritmos genéticos: Introducción. Simulación de la evolución natural en un ordenador. Etapas de un algoritmo genético (AG). Población de cromosomas. Función de fitness. Operadores de selección, cruce y mutación. Diseño de un AG para la resolución de problemas de búsqueda de soluciones. Mejora de un AG mediante técnicas de diversidad.

Cada tema se desarrolla durante una semana del curso. La asignatura en su conjunto tiene una carga de 6 créditos. Con una asignación de 25 horas por crédito se concluye que el trabajo total de la asignatura supone 150 horas.