Este repositorio contiene documentos teoricos, casos prácticos, implementaciones didácticas y ejercicios relacionados con el campo de la Inteligencia Artificial utilizados en el curso Inteligencia Artificial de la Facultad de Ingenieria de Sistemas UNMSM.
Docente: Maguiña Perez, Rolando Alberto.
Nota: Si te apasiona el campo de la Inteligencia Artificial, te recomiendo matricularte con este profesor. (¡100% RECOMENDADO!)
| Aspectos Importantes | Detalle |
|---|---|
| Cronograma del ciclo académico | Cronograma con el detalle fecha a fecha de los temas, ejercicios y codigos realizados en clase. |
| Duración del ciclo académico | El curso esta dividido en 16 semanas. |
| Lenguajes de Programación utilizados | Python 3.x y LISP. |
| Conocimientos Previos | Algoritmia - Investigación Operativa - Matemática Discreta - Cálculo - Estadistica - Probabilidades |
| Lenguajes de programación y IDE |
|---|
| Python |
| Lisp |
| Jupyter |
Nota: Existen múltiples maneras de instalar Lisp en los diversos SO. Además, puedes instalar el kernerl de Lisp en JupyterLab o JupyterNotebook, eso ya lo dejo en tus manos 😊 .
| Título | Autor | Edición | Año de publicación |
|---|---|---|---|
| Artificial Intelligence: A Modern Approach | Stuart J. Russell & Peter Norvig | Global Edition | 2021 |
| Inteligencia Artificial: Fundamentos, prácticas y aplicaciones | Garcia S. Alberto | 1° Edición | 2018 |
| A gamut of games | Sackson Sid | 1° Edición | 1992 |
| Fuzzy Sets and Fuzzy Logic: Theory and Applications | George J. Klir, Bo Yuan | 1° Edición | 1995 |
Nota: Existen más libros sobre los temas tratados en este curso, pero te recomiendo seleccionarlos bien, intentar leerlos y guardarlos 😊 .
| Unidades | Clases | Título | Temas | Tipo |
|---|---|---|---|---|
| Unidad I: Inteligencia Artificial y Espacio de Estados (EE) |
01 | Introducción a la Inteligencia Artificial | Fundamentos de IA | Teoría |
| Notebook: Repaso de Colecciones - Python | Colecciones | Repaso y Ejercicios | ||
| Lectura 1: Agentes Inteligentes | Fundamentos de AI | Lectura | ||
| Laboratorio 1 | Repaso de Colecciones | Código | ||
| 02 | Agentes Inteligentes | Fundamentos de los AI | Teoría | |
| Instrucciones para entornos virtuales | Entornos Virtuales en Python | Teoría | ||
| Laboratorio 2 | Librería Numpy | Código | ||
| Archivos adicionales para el Laboratorio 2 | Librería Numpy | Texto | ||
| 03 | Espacio de Estados y Complejidad de Algoritmos | EE y Complejidad | Teoría | |
| Práctica Calificada 1 | Repaso de Python | Código | ||
| Unidad II: Búsqueda (BEE) y Teoría de Juegos |
04 | Métodos de Búsqueda a Ciegas (No informada) | MBAC y BEE | Teoría |
| Laboratorio 3 | MBAC con Python | Código | ||
| 05 | Métodos de Búsqueda Heurística (Informada) | MBH y BEE | Teoría | |
| Laboratorio 4 | MBH con Python | Código | ||
| 06 | Juegos Inteligentes: Humano - Máquina | Teoría de Juegos y Estrategias | Teoría | |
| Juegos de movimientos simultáneos de dos jugadores | Algoritmos para estrategias informáticas | Artículo científico | ||
| Laboratorio 5 - Parte I | Implementación del Tic Tac Toe | Código | ||
| Laboratorio 5 - Parte II | Implementación del Tic Tac Toe | Código | ||
| Implementación del algoritmo: Primero el Mejor | Implementación en Código | Video | ||
| Laboratorio 5 - Parte III | Implementación del Tic Tac Toe | Código | ||
| 07 | Exposición del Trabajo Computacional | Los Tres Mosqueteros | Código | |
| 08 | Examen Parcial | Todo lo aprendido hasta semana 7 | Teoría y Práctica | |
| Unidad III: Sistemas Expertos |
09 | Sistemas Expertos | SE y Encadenamiento Progresivo | Teoría |
| Introducción a Lisp | Lisp | Teoría | ||
| Ejercicios de Encadenamiento Progresivo | SE y Encadenamiento Progresivo | Ejercicios | ||
| Laboratorio 6 | Lisp | Código | ||
| 10 | Lógica Difusa - Parte I | Introducción y Conjuntos Difusos | Teoría | |
| Laboratorio 7 | Lisp | Código | ||
| 11 | Lógica Difusa - Parte II | Lógica Difusa y Introducción a los SID | Teoría | |
| 12 | Sistemas de Inferencia Difusa | SID - Conceptos y Aplicación | Teoría | |
| SID - Caso Aplicativo | Aplicación | Lectura | ||
| Ejercicios de CD, LD y SID | CD, LD y SID | Ejercicios | ||
| Laboratorio 8 | SID con Python | Código | ||
| Unidad IV: Introducción al Machine Learning |
13 | Machine Learning y Redes Neuronales Artificiales | Introducción al ML y a las RNA | Teoría |
| Práctica Calificada 2 | Caso Aplicativo de SID con Python | Código | ||
| 14 | Perceptrón y Funciones de Activación | Introducción a la Redes Neuronales Artificiales | Teoría | |
| Algoritmos del Perceptrón Unicapa | Algoritmo de Aprendizaje y Recuerdo | Teoría | ||
| Ejercicios de Perceptrón Unicapa | Perceptrón Unicapa | Ejercicios | ||
| Laboratorio 9 | Implementación del Perceptrón en Python | Código | ||
| 15 | Técnicas de Machine Learning | Técnicas de Clasificación y Regresión | Teoría | |
| Verificación y Validación de Sistemas Inteligentes | Metodologías para SBC, V&V y Métricas de Evaluación | Teoría | ||
| Ejercicios de Validación de Sistemas Inteligentes | Validación de Sistemas Inteligentes | Ejercicios | ||
| Laboratorio 10 | Implementación de las técnicas de ML en Python | Código | ||
| 16 | Examen Final | Todo lo aprendido hasta semana 15 | Teoría y Práctica |
