Artificial Intelligence (AI)

¿Qué es la inteligencia artificial (IA)?

La inteligencia artificial (IA) se refiere a la simulación de la inteligencia humana en máquinas que están programadas para pensar como humanos e imitar sus acciones. El término también se puede aplicar a cualquier máquina que exhiba rasgos asociados con la mente humana, como el aprendizaje y la resolución de problemas.

La inteligencia artificial (IA) es un área de la informática que enfatiza la creación de máquinas inteligentes que funcionan y reaccionan como los humanos. Los procesos incluyen aprendizaje, razonamiento y autocorrección. La IA se logra al estudiar cómo piensa el cerebro humano y cómo los humanos aprenden, deciden y trabajan mientras intentan resolver un problema.

Descubra cómo crear aplicaciones inteligentes centradas en imágenes, texto y datos de series temporales. Se usa ampliamente en muchos campos, como motores de búsqueda, reconocimiento de imágenes, robótica, finanzas, etc. Aprenderá sobre varios algoritmos que se pueden usar para crear aplicaciones de Inteligencia Artificial.

¿Qué es para ti?

- Introducción a la Inteligencia Artificial y agentes inteligentes, historia de la Inteligencia Artificial
- Creación de agentes inteligentes (búsqueda, juegos, lógica, problemas de satisfacción de restricciones)
- Algoritmos de aprendizaje automático
- Aplicaciones de IA (procesamiento del lenguaje natural, robótica / visión, comprensión del lenguaje)

Contenido de la aplicación

1) Introducción a la IA

- Prueba de Turing
- Historia de la inteligencia artificial
- Problema típico de inteligencia artificial
- El ciclo de inteligencia artificial

2) Enfoque de resolución de problemas AI

- Espacio de Estados
- Búsqueda de gráficos
- Una búsqueda
- Una búsqueda genérica
- Algoritmo genético
- Amplitud-Primera búsqueda
- Búsqueda de profundidad
- Búsqueda heurística
- Juegos
- Retroceso
- Algoritmo Minimax
- Búsqueda desinformada
- Muestra de N-Queen
- Decisión óptima
- Prueba de admisibilidad
- Árbol de búsqueda
- Poda Alfa Beta
- Mirar hacia el futuro
- Profundización iterativa
- Búsqueda codiciosa
- Gráfico de búsqueda
- Búsqueda informada
- Búsqueda bidireccional
- Consistencia impulsada
- Búsqueda Adversarial
- Consistencia del camino
- Método de información
- Otra memoria limitada
- Propiedades de profundidad

3) Conocimiento y razonamiento

- Lógica proposicional
- Regla de inferencia
- Modelo oculto de Markov
- Redes bayesianas
- Encadenamiento hacia adelante
- Lógica de primer orden
- Y / O Árboles
- Semántica
- Nivel de conocimiento
- Sistemas basados ​​en reglas
- Pro-log puro
- Unificación
- Universo Herbrand
- solidez
- No monotónico

4) Actuando lógicamente y aprendiendo

- Aprendizaje reforzado
- Semántica de Bayesian
- Aprendizaje supervisado
- Problema de aprendizaje
- Redes semánticas
- Red neuronal
- Modelo nativo de Bayes
- Neural artificial
- Probabilista
- Marcos
- Poda del árbol de decisión
- Perceptrón
- aprendizaje estadístico
- Eliminación de candidatos
- Propagación hacia atrás
- Sin supervisión
- Taxonomía del aprendizaje
- Extensión semántica
- Multicapa
- Funciones de división
- Entrelazado versus no entrelazado del subplan
- Planificación como búsqueda
- La forma general del algoritmo EM

5) Comunicando, percibiendo y actuando

- Algoritmo de regresión
- Lenguaje natural
- Algoritmo de agrupamiento
- Algoritmo estadístico
- Reconocimiento de patrones
- Uso y aplicación
- ambigüedad
- Pasos en el lenguaje


Estas cinco unidades contienen 142 temas y, al leerlos, podrá diseñar un sistema utilizando lenguajes como R, Python, SAS, Matlab, Weka, SPSS, etc.