Introducción a la Inteligencia Artificial y los algoritmos (ACREDITADO con créditos ECTS de UNIVERSIDAD)

Unidad 1: Nociones y antecedentes. 1. Nociones y antecedentes. En la Antigüedad. 2. Leonardo da Vinci: Autómata Cavaliere y el león mecánico. 3. Nociones. 3.1. Norbert Wiener, Warren McCulloch y Walter Pitts. 4. Alan Turing. 4.1. Premio Loebner y los Chatbots. 5. Reconocimiento. 6. Ajedrez. 6.1. Microprocesadores y Deep Blue. 7. Lenguaje Natural: fases 1 y 2. 8. Lenguaje Natural: fases 3 y 4. 9. ¿Inteligencia Artificial o programa informático? 10. Nuevo auge. Unidad 2: Características de la IA. 1. Características de la IA. 1.1. Situaciones en las que podemos aplicar la IA. 1.2. Características comunes de la Inteligencia Artificial. 2. Las redes neuronales. 2.1. Imita el cerebro humano. 2.2. Ventajas de las redes neuronales. 3. Machine Learning (ML). Supervisado y sin supervisión. 3.1. Machine Learning (ML). Semisupervisado y uso de refuerzo. 4. Automatización de procesos. 5. Función 24x7. 6. Precisión absoluta. 7. Gestión de datos abundantes. 7.1. Hablemos más de datos. 7.2. Datos estructurados vs no estructurados. 8. Retos. Datos y personal. 8.1. Retos. Coste y software. Unidad 3: Símbolos y métodos numéricos 1. Símbolos y métodos numéricos. Introducción a la Inteligencia Artificial débil. 1.1. Introducción. Inteligencia Artificial fuerte. 1.2. Introducción. Sistemas expertos y lenguajes modernos. 2. Sistemas expertos. 2.1. Sistemas expertos. Clasificación. 2.2. Sistemas expertos. Funcionamiento. 2.3. Sistemas expertos. Primera y segunda generación. 2.4. Sistemas expertos. Tercera generación y lógica difusa. 2.5. Sistemas expertos. Tareas. 2.6. Caja negra y caja de cristal. 2.7. Caja negra y caja de cristal. Ejemplos y conclusiones. 3. Lógica proposicional. 3.1. Lenguaje de la representación del conocimiento. 3.2. Sintaxis de la lógica proposicional. 3.3. Semántica de la lógica proposicional. 4. Tablas de verdad. 4.1. Inferencia o razonamiento. 5. Lenguajes de desarrollo de la IA. 5.1. Lenguajes de desarrollo de la IA. LISP y PROLOG. 5.2. Funcionamiento de LISP y PROLOG. Unidad 4: Fórmulas y funciones. 1. Introducción. Lógica proposicional. 1.1. Introducción. Lógica de predicados. 1.2. Introducción. Otros modelos de lógica. 2. Lógica proposicional. Elementos. 2.1. Conectores. 2.2. Fórmulas bien formadas. 3. Lógica de predicados. Lógica de primer orden. 3.1. Componentes. 3.2. Formulas Bien Formadas (FBF). 3.3. Alfabeto de la lógica de primer orden. 3.4. Alfabeto de la lógica de primer orden. 3.5. Oraciones del lenguaje de primer orden. 3.6. Semántica de primer orden. 3.7. Interpretación de un lenguaje de primer orden. 3.8. Verdad en una interpretación. 3.9. Modelos y satisfacibilidad. 4. Sistemas deductivos. Objetivo. 4.1. Hilbert y su sistema. 4.2. Reglas de Inferencia. 4.3. Teorema de la deducción. 4.4. Sistemas formales y la incompletitud de Gödel. 4.5. Teorema de Gödel sobre la incompletitud de los sistemas formales. 4.6. Conclusión. Unidad 5: Algoritmos. 1. Introducción. Algoritmos I. 1.1. Introducción. Algoritmos II. 2. Aprendizaje automático supervisado. Contexto. 2.1. Redes neuronales artificiales. 2.2. Algoritmos de clasificación. 2.3. Árboles de decisión. 2.4. Algoritmos de regresión. 3. Aprendizaje automático NO supervisado. Contexto. 3.1. Aprendizaje por refuerzo (Reinforcement Learning). 3.2. Algoritmos genéticos. 3.3. Algoritmos de clustering. 3.4. Reducción de dimensionalidad. 4. Minería de datos. Contexto. 4.1. Relación entre minería de datos e IA. 4.2. Algoritmos de detección de anomalías. 4.3. Algoritmos de minería de datos. 4.4. Algoritmos de selección de características. 4.5. Algoritmos de agrupamiento difuso (Fuzzy Clustering). 5. Procesamiento de imágenes y voz. Contexto. 5.1. Reducción de ruido en imágenes mediante algoritmos de filtrado. 5.2. Algoritmos de análisis de sentimientos. 5.3. Algoritmos de detección de objetos en imágenes. 5.4. Algoritmos de reconocimiento de voz. 6. Procesamiento del lenguaje natural y predicción. Contexto. 6.1. Algoritmos de procesamiento del lenguaje natural. 6.2. Algoritmos de predicción de series temporales. 6.3. Algoritmos de optimización de redes neuronales. Unidad 6: Algoritmos y aplicaciones de negocio (caso geolocalización). 1. Introducción. ¿Qué son los algoritmos y por qué son importantes para los negocios? 1.1. Ejemplos de algoritmos utilizados en los negocios. 1.2. Introducción a la geolocalización y su importancia en el ámbito empresarial. 2. Maneras de mejorar los negocios con algoritmos I. 2.1. Maneras de mejorar los negocios con algoritmos II. 2.2. Utilización de algoritmos en la toma de decisiones empresariales. 2.3. Aplicaciones de algoritmos en la gestión de datos y análisis de información empresarial. 2.4. Algoritmos de Inteligencia Artificial y su impacto en los negocios. 2.5. Algoritmos de optimización y su aplicación en la gestión de recursos empresariales. 2.6. Algoritmos en la planificación y gestión de proyectos empresariales. 3. Desafíos y conclusiones. Desafíos en la implementación de algoritmos en los negocios. 3.1. ¿Cuáles son las oportunidades que brindan los algoritmos en los negocios y cómo las empresas pueden aprovecharlas? 4. Algoritmos y aplicaciones de geolocalización. Conceptos fundamentales de los algoritmos de geolocalización. 4.1. Tipos de algoritmos de geolocalización utilizados en el mundo empresarial. 4.2. Ejemplos de aplicaciones de negocio que utilizan la geolocalización. 4.3. Herramientas y plataformas de geolocalización disponibles para las empresas. 5. Beneficios de la geolocalización para el ámbito empresarial: ahorro de costes, aumento de la eficiencia, mejora de la toma de decisiones. 5.1. Desafíos y limitaciones de la geolocalización en el ámbito empresarial: privacidad, precisión de los datos, acceso a la tecnología. 6. Tendencias y perspectivas futuras. Tendencias y perspectivas futuras de la geolocalización en el mundo empresarial. 6.1. Conclusiones. Unidad 7: Sistemas basados en conocimiento. 1. Introducción a los sistemas basados en conocimiento. Definición de sistemas basados en conocimiento. 1.1. Diferencias entre sistemas basados en conocimiento y sistemas expertos. 1.2. Ejemplos de aplicaciones de sistemas basados en conocimiento. 1.3. Ventajas y desventajas de los sistemas basados en conocimiento. 1.4. Tendencias y futuro de los sistemas basados en conocimiento. 2 Representación del conocimiento. Tipos de conocimiento: declarativo, procedimental y heurístico. 2.1. Métodos de representación del conocimiento. 2.2. Selección del método de representación adecuado para el problema a resolver. 2.3. Transformación de conocimiento en una forma utilizable por el sistema. 2.4. Modelos de conocimiento híbridos. 3. Adquisición de conocimiento. Métodos para adquirir conocimiento. 3.1. Herramientas de apoyo a la adquisición de conocimiento. 3.2. Procesos de validación y verificación de la calidad del conocimiento adquirido. 3.3. Incorporación de feedback para mejorar la calidad del conocimiento. 3.4. Métodos de transferencia de conocimiento. 4. Implementación y evaluación de sistemas basados en conocimiento. Diseño e implementación de sistemas basados en conocimiento. 4.1. Evaluación del desempeño de los sistemas basados en conocimiento. 4.2. Mantenimiento y actualización de los sistemas basados en conocimiento. 4.3. Integración de sistemas basados en conocimiento con otros sistemas de IA. 4.4. Diseño y evaluación de interfaces de usuario para sistemas basados en conocimiento. 5. Aplicaciones específicas de sistemas basados en conocimiento. Aplicaciones en la medicina. 5.1. Aplicaciones en la gestión del conocimiento empresarial. 5.2. Aplicaciones en la robótica y la automatización. 5.3. Aplicaciones en la educación. Unidad 8: Motores de inferencia. 1. Conceptos fundamentales de los motores de inferencia. 1.1. ¿Qué son los motores de inferencia? 1.2. Funciones de los motores de inferencia en la Inteligencia Artificial. 1.3. Ventajas y desventajas de los motores de inferencia en la Inteligencia Artificial. 2. Modelos de inferencia en la Inteligencia Artificial. 2.1. Tipos de motores de inferencia. 2.2. Modelos de inferencia en la Inteligencia Artificial. 2.3. Diferencias entre los modelos de inferencia en la Inteligencia Artificial. 3. Modelos de inferencia específicos. 3.1. Modelos de inferencia basados en reglas. 3.2. Modelos de inferencia probabilística. 3.3. Modelos de inferencia basados en redes neuronales. 3.4. Modelos de inferencia basados en lógica difusa. 3.5. ¿Qué es el razonamiento basado en casos y cómo se relaciona con los motores de inferencia? 4. Representación del conocimiento en los motores de inferencia. 4.1. ¿Cómo se representa el conocimiento en los motores de inferencia? 4.2. Lenguajes de representación del conocimiento en los motores de inferencia. 4.3. Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte I. 4.4. Métodos para adquirir conocimiento y alimentar los motores de inferencia. Parte II. 5. Aplicaciones y tendencias de los motores de inferencia. 5.1. Tendencias de los motores de inferencia. 5.2. Ejemplos de motores de inferencia utilizados en la Inteligencia Artificial. 5.3. Aplicaciones de los motores de inferencia en la Inteligencia Artificial. 5.4. Tendencias actuales en el desarrollo de los motores de inferencia. 5.5. Desafíos en el desarrollo de los motores de inferencia en la Inteligencia Artificial. 5.6. Futuro de los motores de inferencia en la Inteligencia Artificial.