TÉCNICAS DE INTELIGENCIA ARTIFICIAL

Contenido del curso TÉCNICAS DE INTELIGENCIA ARTIFICIAL

Tema 1. Inteligencia artificial, aprendizaje automatico y mineria de datos.

• Definición de conceptos de inteligencia artificial, aprendizaje automático y minería de datos.
• Interés y aplicaciones de la inteligencia artificial.
• Aprendizaje automático.
• Descubrimiento de conocimiento.

Tema 2. Búsqueda en inteligencia artificial.

• Definición y componentes en la resolución de problemas mediante búsqueda.    
• Búsqueda hacia adelante y hacia atrás.
• Búsqueda exhaustiva.
• Búsqueda heurística.  
• Búsqueda en juegos.   
• Costes.

Tema 3. Sistemas expertos basados en reglas.

• Las reglas como técnica de representación del conocimiento.
• Definición, características y estructura de un sistema experto.
• Técnicas de inferencia: encadenamiento de reglas hacia adelante y hacia atrás.
• Resolución de conflictos.
• Ventajas y desventajas de los sistemas expertos basados en reglas.
• Herramienta software para la construcción de sistemas expertos: clips.

Tema 4. Incertidumbre e imprecisión en sistemas expertos basados en reglas.

• Proposiciones inciertas e imprecisas.    
• Razonamiento bayesiano.
• Factores de certeza.
• Comparación entre razonamiento bayesiano y factores de certeza.   
• Lógica difusa.
• Conjuntos difusos.
• Variables lingüísticas.
• Reglas difusas.
• Inferencia difusa.

Tema 5. Árboles para la toma de decisiones.

• Los árboles de decisión como técnica de representación del conocimiento.
• Tarea de inducción.
• Algoritmo ID3: algoritmo básico de aprendizaje.
• Espacio de hipótesis.
• Criterios de selección de atributos.
• Sobreajuste y poda de árboles.
• Precisión de la clasificación.
• Algoritmo C4.5: simplificación de árboles de decisión mediante poda.
• Herramienta software para el análisis de conocimiento: Weka.

Tema 6. Algoritmos de aprendizaje de reglas.

• Reglas de clasificación y reglas de asociación.
• Medidas de evaluación de reglas.
• Algoritmo PRISM: algoritmo de aprendizaje de reglas de clasificación.
• Algoritmo A PRIORI: algoritmo de aprendizaje de reglas de asociación.
• Aprendizaje de reglas de clasificación y asociación con la herramienta Weka.

Tema 7. Clasificación no supervisada.

• Tipos de algoritmos de clustering.
• Medida de distancia.
• Algoritmo K-means: agrupamiento exclusivo.
• Algoritmos aglomerativos y divisorios: agrupamiento jerárquico.
• Algoritmo EM: agrupamiento probabilista.
• Algoritmo Fuzzy C-means: agrupamiento solapado.

Tema 8. Sistemas recomendadores.

• Tipos de recomendaciones y aplicaciones.
• Recomendación colaborativa: basada en usuarios y basada en ítems.
• Recomendación basada en contenidos.
• Sistemas híbridos.

Tema 9. Sistemas neuronales.

• Similitud con el funcionamiento del cerebro.
• La neurona artificial. El perceptrón.
• Redes neuronales multicapa.
• Redes neuronales recurrentes. Hopfield Network.

Tema 10. Algoritmos genéticos.

• Simulación de la evolución natural.
• Etapas de un algoritmo genético.
• Diseño de un algoritmo genético para la resolución de problemas.
• Mejora de un algoritmo genético mediante técnicas de diversidad.

Tema 11. Casos de estudio.

• Aplicación de las distintas técnicas en diferentes situaciones.
• Casos de estudio con sistemas expertos basados en reglas.
• Casos de estudio con sistemas expertos difusos basados en reglas.
• Casos de estudio con árboles de decisión.
• Casos de estudio con redes neuronales.
• Casos de estudio con algoritmos genéticos.
• Sistemas inteligentes híbridos.

Complete el siguiente formulario para obtener más información sobre el curso TÉCNICAS DE INTELIGENCIA ARTIFICIAL