Inteligencia Artificial II-2022

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)

• Trabajo Práctico Nº 1
• Ejercicios
  
• Historial de órdenes de pedido
  
• Guias de resolución (slides)
• Ejercicios A* (video)
• Guia de resolución - Ejercicio Temple Simulado (video)
• Guia de resolución - Ejercicio Algoritmo Genético (video)
• Guia de resolución - Ejercicio CSP (video)

Unidad 2: Razonamiento

• Razonamiento simbólico 
• Agentes Basados en el Conocimiento (slides, video)
  
  
• Planning
• Planning (slides, video)
  
  
• Lógica difusa (slides)
• Introducción y Conceptos (video)
• Inferencia difusa (video)
  
  
• Trabajo Práctico Nº 2 
• Ejercicios
• Guias de resolución (slides)
  • Knowledge-based system en Prolog 
    • Guia de resolución (video)
    • Tuberias
    • Sistema experto de mantenimiento (implementación parcial)
    • SWI-Prolog website
      
      
• Artificial Intelligence Planning
• Guia de resolución (video)
• Carga aérea
• CAPP
• Fast Downward 
• Home
• Instrucciones para obtener el código y compilarlo
• Repositorio de código
• Una versión online (LCAS - Lincoln Centre for Autonomous Systems)
  
  
• Lógica Difusa
• Guia de resolución (video)
• Modelo del Péndulo Invertido (jupyter notebook, python source)

Unidad 3: Machine Learning

• Introducción (slides, video)
• Agentes que aprenden
• Tipos de aprendizaje
• Datos
• Procedimiento de entrenamiento y test. Evaluación de lo aprendido
  
  
• Redes neuronales Feedforward fully-connected
• Parte I (slides, video, apunte)
  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).
  
  
  

• Trabajo Práctico Nº 3 
• Ejercicios
• Red Neuronal Feedforward para clasificación (slides, video)
• Ejemplo de implementacion (python source)