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
A Lecturas
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
12.3 Notebooks
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
13.7 Notebooks
14 Búsqueda Informada
14.1 Grafos con pesos y la frontera de prioridad
14.2 Heurísticas h(n)
14.3 Greedy best-first
14.4 Dijkstra
14.5 A*
14.6 Diseño de heurísticas
14.7 Branch & Bound e IDA*
14.8 Notebooks
15 Búsqueda Adversarial
15.1 Juegos como búsqueda
15.2 Tipos de juegos
15.3 Minimax
15.4 Poda alfa-beta
15.5 Juegos complejos
15.6 Notebooks
16 Planificación Clásica
16.1 ¿Qué es planificar?
16.2 STRIPS
16.3 Búsqueda hacia adelante
16.4 Heurísticas para planificación
16.5 Búsqueda hacia atrás
16.6 Notebooks
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
17.8 Notebooks
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
18.7 Notebooks
A Stack
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 Inicio
6 Datasets (descarga y licencias) Anterior A.1.1 Configuración de Cuentas Siguiente

Módulo 1: Introducción

Bienvenido al Stack Tecnológico del curso. Antes de instalar herramientas, necesitas crear las cuentas que usaremos durante el semestre.

Contenido

  1. Configuración de Cuentas
    • Cuentas en plataformas de LLM y DataCamp.
Anterior
6 Datasets (descarga y licencias)
Siguiente
A.1.1 Configuración de Cuentas
Inteligencia Artificial - ITAM uu_framework
Click afuera o presiona Esc para cerrar