Introducción a la inteligencia artificial Specialization

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.

El curso trata de resolución automática de problemas por medio de algoritmos de búsqueda.

Aprenderás a abstraer un problema como un grafo de estados-acciones y a dimensionar su complejidad por medio de la identificación de parámetros. Además, te mostraremos cómo analizar el consumo de recursos computacionales de los algoritmos para seleccionar o adaptar el más apropiado al problema. Nos interesa que puedas aplicar los algoritmos a problemas concretos. Te acompañaremos en la implementación de los algoritmos en el lenguaje de programación Python y te mostraremos algunos ejemplos de su aplicación a ciertos problemas modelo. Al final podrás probar tus algoritmos en un espacio de búsqueda interesante: el resolver el cubo de Rubik.

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.