Inteligencia Artificial - ITAM

Curso

Tareas 22 Calendario Exámenes 7 Proyectos 2

Contenido

1 Introducción

1.1 Presentación Introducción

1.2 Temario del Curso

1.3 Historia del AI

2 Agents y Environments

2.1 Introducción: Agents & Environments

2.2 ¿Qué es un Agente?

2.3 Racionalidad

2.4 Framework PEAS

2.5 Propiedades del Environment

2.6 Arquitecturas de Agentes

3 Lógica: Razonamiento con Certeza

3.1 Introducción: ¿Por qué Lógica?

3.2 Lógica Proposicional

3.3 Satisfacibilidad y SAT

3.4 Inferencia y Demostración

3.5 Agentes Basados en Conocimiento: Wumpus World

A Proyecto: Sistemas de Razonamiento Lógico

A Lecturas: Lógica

4 Computabilidad y Complejidad

4.1 Introducción: Los Límites de lo Computable

4.2 Algoritmos y Máquinas de Turing

4.3 Computabilidad vs Decidibilidad

4.4 Límites de la Computación: El Halting Problem

4.5 Gödel: Límites Lógicos y Computacionales

4.6 Complejidad Computacional y Big-O

4.7 Clases de Complejidad: P, NP y BPP

4.8 Síntesis: El Mapa Completo de la Computabilidad

5 Probabilidad: Razonamiento bajo Incertidumbre

5.1 Introducción: ¿Por qué Probabilidad?

5.2 El Robot Pensante y los Desiderata

5.3 Probabilidad como Lógica Extendida

5.4 Interpretaciones de la Probabilidad

5.5 Conceptos Básicos de Probabilidad

5.6 Probabilidad Condicional y Marginal

5.7 Las Reglas de Probabilidad

5.8 Teorema de Bayes

5.9 Esperanza y Momentos

5.10 Tarea: Curso DataCamp — Foundations of Probability in Python

5.11 Distribuciones de Probabilidad

5.12 Estadística y Estimadores

5.13 Teorema del Límite Central y Ley de los Grandes Números

5.14 Colas Largas (Fat Tails)

A Lecturas de Probabilidad

5.16 Ejercicios

5.16.1 Ejercicio: Diagnóstico de Fat Tails (Metodología Taleb)

5.16.2 Ejercicio: Los Eventos Imposibles del S&P 500

5.16.3 Ejercicio: El Fraude del Value at Risk (VaR)

6 Teoría de la Información: Bits, Entropía y Aprendizaje

6.1 Introducción: ¿Qué es “información” y por qué importa?

6.2 Bits y preguntas: distinguir posibilidades

6.3 Sorpresa y auto-información: medir lo inesperado

6.4 Entropía: sorpresa promedio (Shannon) e información faltante (Jaynes)

6.5 Códigos y compresión: pagar menos por lo frecuente

6.6 Cross-entropy y KL: el costo de apostar mal (puente a ML)

6.7 Información mutua: qué tanto me dice Y sobre X

6.8 Proyecto Wordle: Teoría de la Información en Acción

6.8.1 El Juego de Wordle

6.8.2 Estrategia 1: Adivinar al Azar

6.8.3 Estrategia 2: Siempre la Más Probable

6.8.4 Estrategia 3: Maximizar Entropía (Ingenua)

6.8.5 Estrategia 4: Entropía con Frecuencia de Palabras

6.8.6 Estrategia 5: Minimizar el Puntaje Esperado

6.8.7 Estrategia 6: Mirar al Futuro (Look-Ahead)

6.8.8 Preguntas Abiertas y Direcciones Creativas

6.9 Ejercicios: Wordle/Password con entropía (capstone)

7 Optimización

7.1 Formulación matemática de problemas de optimización

7.2 Paisaje de optimización: mínimos, máximos, sillas y convexidad

7.3 Algoritmos de optimización: intuiciones

7.4 scipy.optimize — referencia rápida

8 Predicción: Taxonomía y Marco de 5 Dimensiones

8.1 El Problema Fundamental de la Predicción

8.2 D1: Fuente del Conocimiento Estructural

8.3 D2: Incertidumbre y D3: Objetivo Matemático

8.4 D4: Arquitectura de Variables y D5: Supuestos Inductivos

8.5 Atlas de Métodos de Predicción

8.6 Mapa Visual, Heurísticas y Casos de Estudio

9 Teoría de la Decisión

9.1 Anatomía de un Problema de Decisión

9.2 Utilidad y Preferencias Racionales

9.3 Decidir Bajo Incertidumbre

9.4 Optimización Estocástica

9.5 El Agente que Decide: Conectando Todo

10 Redes Bayesianas

10.1 De Probabilidades a Grafos

10.2 Queries y Tablas de Probabilidad

10.3 Inferencia por Enumeración

10.4 Independencia Condicional y Markov Blanket

10.5 Eliminación de Variables

11 Grafos Causales

11.1 Estructuras Causales

11.2 Causalidad y el Operador do

12 Métodos de Monte Carlo

12.1 Historia y Motivación

12.2 Fundamentos Formales

13 Búsqueda Simple

13.1 Grafos: fundamentos

13.2 Espacio de estados

13.3 Algoritmo genérico de búsqueda

13.4 Búsqueda en amplitud (BFS)

13.5 Búsqueda en profundidad (DFS)

13.6 IDDFS y comparación

14 Búsqueda Informada

14.1 Grafos con pesos y la frontera de prioridad

14.2 Heurísticas h(n)

14.3 Greedy best-first

14.6 Diseño de heurísticas

14.7 Branch & Bound e IDA*

15 Búsqueda Adversarial

15.1 Juegos como búsqueda

15.2 Tipos de juegos

15.4 Poda alfa-beta

15.5 Juegos complejos

16 Planificación Clásica

16.1 ¿Qué es planificar?

16.3 Búsqueda hacia adelante

16.4 Heurísticas para planificación

16.5 Búsqueda hacia atrás

17 Multi-Armed Bandits

17.1 El dilema: exploración vs. explotación

17.2 ε-Greedy: la estrategia más simple

17.3 UCB: optimismo ante la incertidumbre

17.4 Thompson Sampling: el enfoque bayesiano

17.5 Comparación de algoritmos

17.6 EXP3: bandidos adversariales

17.7 Aplicaciones y variantes

18 Búsqueda Monte Carlo en Árboles

18.1 Más allá de minimax

18.2 Hex: el juego

18.3 MCTS: las cuatro fases

18.4 UCT: la conexión con bandidos

18.5 MCTS en acción

18.6 Más allá: de MCTS a AlphaZero

A.1 Introducción

A.1.1 Configuración de Cuentas

A.2 Large Language Models (LLMs)

A.2.1 Large Language Models (LLMs)

A.3 Configuración del Sistema Operativo

A.3.1 Guía de Sistema Operativo: WSL2 y Linux

A.3.2 Guía para Estudiantes: Usar GitHub Codespaces y Ona (antes Gitpod) Solo con el Navegador

A.4 IDEs y Herramientas con IA

A.4.1 Instalación de Cursor

A.4.2 Funcionalidades de IA en Cursor

A.4.3 Entornos en la Nube con IA (Cloud IDEs)

A.4.4 Alternativas y Otras Herramientas

A.4.5 Tarea Práctica

A.5 Git y GitHub

A.5.1 Git y GitHub: Tu Pasaporte al Mundo del Software

A.5.2 Estructura del Curso y Tu Carpeta Personal

A.5.3 Flujo de Trabajo Detallado para Entregar Tareas en GitHub

A.5.4 Cheatsheet: Comandos Básicos de Git, GitHub y Terminal

A.5.5 Tarea Práctica: Configuración y Certificaciones

A.6 Python Básico

A.6.1 Instalación de Python

A.6.2 Configuración de Python en Cursor/VSCode

A.6.3 Conceptos Básicos de Python

A.6.4 Tarea Práctica: Python Básico

A.7 Certificaciones

A.7.1 Plantilla: Evidencia AI Assisted Coding

A.7.2 Plantilla: Evidencia GitHub Concepts

A.7.3 Plantilla: Evidencia Python Intro

Documentación

Developer Guide

Architecture

Preprocessing

Eleventy

Theming

Components

Templates

Troubleshooting

Deployment

Guía del Estudiante

Navegacion

Accesibilidad

Tareas

Guía del Profesor

Estructura

Frontmatter

Componentes

Mermaid

Buenas Practicas

P26

Aleatorio Historia del AI

1.2 Temario del Curso Anterior 2 Agents y Environments Siguiente

Historia del AI

Presentación: Historia de la Inteligencia Artificial

🔗 Abrir en nueva pestaña 📥 Descargar PDF

📊 Historia de la Inteligencia Artificial

1.2 Temario del Curso

2 Agents y Environments

Inteligencia Artificial - ITAM uu_framework

Click afuera o presiona Esc para cerrar