• Introducción (slides)

    Unidad 1: Búsqueda y Optimización

    • Introduccion. Búsqueda global heurística (slides, video)
      • Complejidad, completez y optimalidad
      • Búsqueda global y local
      • Busqueda global con información: Greedy Search, A*


    • Búsqueda local (slides, video)
      • Hill Climbing
      • Simulated Annealing
      • Basin Hopping


    • Algoritmos Genéticos (slides)
      • Introduccion (video)
      • Variantes: Algoritmos Genéticos Desordenados, Continuos y con Permutaciones (video)
      • Características avanzadas: Paralelización y Optimización Multi-Objetivo (video)


    • Satisfacción de restricciones (slides)
      • Generalidades, definición y características (video)
      • Solución mediante búsqueda global y local (video)



    Unidad 2: Razonamiento


    Unidad 3: Machine Learning
    • Introducción (slidesvideo)
      • Agentes que aprenden
      • Tipos de aprendizaje
      • Datos
      • Procedimiento de entrenamiento y test. Evaluación de lo aprendido

    • Redes neuronales Feedforward fully-connected
      • Parte I (slidesvideoapunte)
        Evolución histórica. Arquitecturas. Modelo general de neurona artificial.
        Redes monocapa: conceptos, operación, aprendizaje, limitaciones. Redes multicapa:
        operación, mejoras respecto a redes monocapa, funciones de pérdida para regresión
        y clasificación, aprendizaje con backpropagation.

      • Parte II (slides, video)
        Inicialización de pesos. Procesamiento de los datos de entrada. Prevención del overfitting:
        cross-validation con early stop, regularización, dropout. Análisis de funciones de acticación.
        Optimización de hiperparámetros (barrido de parámetros).