PolyU | Conceptos de Inteligencia Artificial

--- TEXTO FUENTE TRADUCIDO ---

📚 Resumen del Contenido

Este curso integral proporciona una introducción rigurosa pero accesible a la Inteligencia Artificial, diseñado para estudiantes de posgrado y profesionales. Uniendo los fundamentos históricos con las innovaciones de vanguardia, el currículo progresa desde la IA simbólica y los algoritmos de búsqueda hasta el Deep Learning moderno y la IA Generativa. Los estudiantes explorarán temas esenciales como la representación del conocimiento, el razonamiento probabilístico y el machine learning clásico antes de profundizar en las redes neuronales, los Transformers y los Modelos de Lenguaje Grandes (LLM). Enfatizando tanto la teoría como la práctica, el curso utiliza Python y frameworks estándar de la industria como PyTorch para implementar algoritmos, interactuar con APIs modernas y abordar cuestiones críticas en la ética y seguridad de la IA.

Uniendo la IA simbólica clásica con la IA generativa moderna, este curso equipa a los estudiantes con la profundidad teórica y las habilidades prácticas de Python para diseñar, implementar y evaluar éticamente sistemas inteligentes.

🎯 Objetivos de Aprendizaje

1. Dominar los Fundamentos de la IA: Analizar e implementar paradigmas fundamentales de resolución de problemas, incluyendo búsqueda heurística, razonamiento basado en lógica y modelado probabilístico.
2. Implementar Arquitecturas de Deep Learning: Diseñar y entrenar redes neuronales avanzadas utilizando PyTorch, desde Perceptrones Multicapa hasta Redes Neuronales Convolucionales y Transformers.
3. Desplegar Soluciones de IA Generativa: Diseñar aplicaciones que utilicen Modelos de Lenguaje Grandes (LLM), empleando técnicas como el ajuste fino (fine-tuning), la ingeniería de prompts (prompt engineering) y la Generación Aumentada por Recuperación (RAG).
4. Garantizar el Desarrollo Ético de la IA: Evaluar críticamente los sistemas de IA en cuanto a sesgos, seguridad y alineación, aplicando estrategias de explicabilidad y robustez en escenarios del mundo real.

---

🔹 Lección 1: Historia y Fundamentos de la IA

Resumen: Una exploración de los orígenes de la Inteligencia Artificial, cubriendo el Test de Turing, la Conferencia de Dartmouth y la naturaleza cíclica del desarrollo de la IA conocida como 'Inviernos de la IA'.

Resultados de Aprendizaje:

• Trazar la evolución histórica de la IA desde 1956 hasta la actualidad.
• Comparar y contrastar los paradigmas de IA Simbólica (GOFAI) y Conexionismo.
• Discutir el impacto de la Revolución del Deep Learning y los recientes avances generativos.

---

🔹 Lección 2: Estrategias de Búsqueda: No Informada e Informada

Resumen: Introducción a agentes fundamentales de resolución de problemas utilizando algoritmos de búsqueda, distinguiendo entre búsqueda ciega y enfoques basados en heurísticas.

Resultados de Aprendizaje:

• Implementar métodos de búsqueda no informada incluyendo BFS, DFS y Búsqueda de Costo Uniforme.
• Aplicar técnicas de búsqueda heurística como A* y Búsqueda Voraz por Mejor Primer Nodo (Greedy Best-First search).
• Analizar la complejidad y la optimalidad de diferentes estrategias de búsqueda.

---

🔹 Lección 3: Búsqueda Adversaria y Satisfacción de Restricciones

Resumen: Una inmersión profunda en la toma de decisiones en entornos competitivos (juegos) y la resolución de problemas definidos por restricciones.

Resultados de Aprendizaje:

• Dominar el algoritmo Minimax y la poda Alfa-Beta para la ejecución de juegos.
• Comprender la Búsqueda de Árboles de Monte Carlo (MCTS) utilizada en sistemas avanzados como AlphaGo.
• Resolver Problemas de Satisfacción de Restricciones (CSP) utilizando backtracking y búsqueda local.

---

🔹 Lección 4: Representación del Conocimiento y Razonamiento

Resumen: Estudio de cómo los sistemas de IA representan información lógicamente para realizar inferencias, pasando de la lógica clásica a estructuras de conocimiento modernas.

Resultados de Aprendizaje:

• Utilizar Lógica Proposicional y de Primer Orden para la representación e inferencia.
• Comparar los Sistemas Expertos heredados con los Grafos de Conocimiento y Ontologías modernos.
• Explorar la IA Neuro-Simbólica como un puente entre la lógica y las redes neuronales.

---

🔹 Lección 5: Incertidumbre en la Era de GenAI

Resumen: Más allá de los cálculos probabilísticos clásicos para entender cómo la incertidumbre impulsa la IA moderna. Esta lección explora por qué los LLM alucinan (y por qué es una característica, no un error), cómo los modelos de Difusión crean arte a partir de ruido puro y cómo los Agentes Autónomos toman decisiones en mundos abiertos impredecibles.

Resultados de Aprendizaje:

• De Bayes a "Vibras": Obtener una comprensión intuitiva de la confianza y la calibración, aprendiendo por qué una "probabilidad del 99%" aún puede estar equivocada sin perderse en matemáticas complejas.
• El Motor de la Creatividad: Analizar cómo los mecanismos de muestreo probabilístico (Temperatura, Top-P) permiten la creatividad de la IA Generativa y conducen a alucinaciones.
• Toma de Decisiones de Agentes: Comprender las estrategias de toma de decisiones bajo incertidumbre, centrándose en el dilema "Exploración vs. Explotación" en el Aprendizaje por Refuerzo y Sistemas Multiagente.

---

🔹 Lección 6: Machine Learning Clásico

Resumen: Una introducción práctica a algoritmos basados en datos para aprendizaje supervisado y no supervisado utilizando Python.

Resultados de Aprendizaje:

• Implementar modelos de aprendizaje supervisado incluyendo Árboles de Decisión y SVM.
• Aplicar técnicas no supervisadas como K-means clustering y PCA.
• Usar Scikit-learn para resolver problemas básicos de análisis de datos.

---

🔹 Lección 7: Fundamentos de Redes Neuronales

Resumen: La transición a la computación inspirada biológicamente, cubriendo la arquitectura y los mecanismos de entrenamiento de las redes neuronales artificiales.

Resultados de Aprendizaje:

• Explicar la estructura de las neuronas artificiales y los Perceptrones Multicapa (MLP).
• Dominar el algoritmo de Backpropagation y varias funciones de activación (ReLU, GELU).
• Construir una red neuronal básica usando PyTorch.

---

🔹 Lección 8: Visión por Computadora y CNNs

Resumen: Enfoque en el procesamiento de datos visuales a través de arquitecturas especializadas de deep learning.

Resultados de Aprendizaje:

• Comprender la mecánica de las Redes Neuronales Convolucionales (CNNs).
• Analizar arquitecturas avanzadas como ResNet y Vision Transformers (ViT).
• Implementar un modelo básico de clasificación de imágenes.

---

🔹 Lección 9: Modelado de Secuencias y el Transformer

Resumen: Evolución del procesamiento de secuencias desde las Redes Neuronales Recurrentes hasta el revolucionario mecanismo de Atención.

Resultados de Aprendizaje:

• Diferenciar entre RNNs, LSTMs y la arquitectura Transformer.
• Explicar el paper 'Attention Is All You Need' y los mecanismos de auto-atención.
• Comprender el rol de los Codificadores y Decodificadores en modelos como BERT y GPT.

---

🔹 Lección 10: Modelos de Lenguaje Grandes (LLMs)

Resumen: Estudio en profundidad de la IA Generativa de vanguardia centrado en la generación de texto y la adaptación de modelos.

Resultados de Aprendizaje:

• Describir el ciclo de vida de Pre-entrenamiento y Ajuste Fino (Fine-tuning) de los LLMs.
• Explorar el Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF).
• Practicar la Ingeniería de Prompts y métodos de ajuste fino eficientes en parámetros (PEFT/LoRA).

---

🔹 Lección 11: Aplicaciones Avanzadas de IA Generativa

Resumen: Expansión más allá del texto a sistemas de recuperación y medios generativos utilizando APIs modernas.

Resultados de Aprendizaje:

• Implementar Generación Aumentada por Recuperación (RAG) para reducir alucinaciones.
• Comprender las matemáticas detrás de los Modelos de Difusión (ej. Stable Diffusion) y las VAEs.
• Interactuar con APIs de IA modernas para construir una aplicación generativa.

---

🔹 Lección 12: Ética, Seguridad y Alineación de la IA

Resumen: Análisis crítico del impacto social de la IA, centrándose en la responsabilidad y los protocolos de seguridad.

Resultados de Aprendizaje:

• Identificar fuentes de sesgos y garantizar la equidad en los modelos de IA.
• Discutir la Seguridad, Robustez y el problema de Alineación de la IA.
• Evaluar la Explicabilidad (XAI) y las estrategias de mitigación para las alucinaciones de los LLM.

---