PolyU | Conceptos de Inteligencia Artificial
Este curso completo ofrece una introducción rigurosa pero accesible a la Inteligencia Artificial, diseñado para estudiantes de posgrado y profesionales. Este curso puente entre los fundamentos históricos y las innovaciones más recientes, avanza 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 aprendizaje automático clásico antes de profundizar en redes neuronales, Transformers y Modelos de Lenguaje de Gran Tamaño (LLMs). El curso enfatiza tanto la teoría como la práctica, utilizando Python y marcos estándar de la industria como PyTorch para implementar algoritmos, interactuar con APIs modernas y abordar cuestiones críticas sobre ética e seguridad en la IA.
Descripción del curso
📚 Resumen del Contenido
Este curso completo ofrece una introducción rigurosa pero accesible a la Inteligencia Artificial (IA), diseñada para estudiantes de posgrado y profesionales. Cerrando la brecha entre los fundamentos históricos y las innovaciones de vanguardia, el plan de estudios avanza 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 aprendizaje automático clásico antes de adentrarse profundamente en redes neuronales, Transformers y Modelos de Lenguaje de Gran Tamaño (LLM). El curso enfatiza tanto la teoría como la práctica, utilizando Python y marcos industriales estándar como PyTorch para implementar algoritmos, interactuar con APIs modernas y abordar cuestiones críticas sobre ética e seguridad en IA.
Cerrando la brecha entre la IA Simbólica clásica y la IA Generativa moderna, este curso capacita a los estudiantes con una profunda comprensión teórica y habilidades prácticas en Python para arquitecturar, implementar y evaluar éticamente sistemas inteligentes.
🎯 Objetivos de Aprendizaje
- 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.
- Implementar Arquitecturas de Deep Learning: Diseñar y entrenar redes neuronales avanzadas usando PyTorch, desde Perceptrones Multicapa hasta Redes Neuronales Convolucionales y Transformers.
- Desplegar Soluciones de IA Generativa: Ingeniar aplicaciones que utilicen Modelos de Lenguaje de Gran Tamaño (LLM), empleando técnicas como fine-tuning, ingeniería de prompts y Generación Incremental por Recuperación (RAG).
- Garantizar el Desarrollo Ético de la IA: Evaluar críticamente los sistemas de IA respecto a sesgos, seguridad y alineación, aplicando estrategias de explicabilidad y robustez en escenarios del mundo real.
Lecciones
Resumen: Exploración de los orígenes de la Inteligencia Artificial, cubriendo la Prueba de Turing, la Conferencia de Dartmouth y la naturaleza cíclica del desarrollo de la IA conocida como "Inviernos de la IA".
Resultados de Aprendizaje:
- Rastrear la evolución histórica de la IA desde 1956 hasta la actualidad.
- Comparar y contrastar los paradigmas de IA Simbólica (GOFAI) y Connectionism.
- Discutir el impacto de la Revolución del Aprendizaje Profundo y los recientes avances generativos.
Resumen: Introducción a agentes de resolución de problemas fundamentales mediante algoritmos de búsqueda, diferenciando entre enfoques ciegos y basados en heurísticas.
Resultados de Aprendizaje:
- Implementar métodos de búsqueda no informados, incluyendo BFS, DFS y búsqueda de costo uniforme.
- Aplicar técnicas de búsqueda heurística como A* y búsqueda primero el mejor codicioso.
- Analizar la complejidad y optimalidad de diferentes estrategias de búsqueda.
Resumen: Profundización en la toma de decisiones en entornos competitivos (juegos) y en la resolución de problemas definidos por restricciones.
Resultados de Aprendizaje:
- Dominar el algoritmo Minimax y el podado Alpha-Beta para juegos.
- Comprender la Búsqueda de Árbol Monte Carlo (MCTS) utilizada en sistemas avanzados como AlphaGo.
- Resolver Problemas de Satisfacción de Restricciones (CSP) usando retroceso y búsqueda local.
Resumen: Estudio de cómo los sistemas de IA representan la información lógicamente para realizar inferencias, pasando desde la lógica clásica hasta estructuras de conocimiento modernas.
Resultados de Aprendizaje:
- Utilizar la Lógica Proposicional y la Lógica de Primer Orden para representación e inferencia.
- Comparar los Sistemas Expertos heredados con Grafos de Conocimiento y Ontologías modernas.
- Explorar la IA Neuro-Simbólica como puente entre la lógica y las redes neuronales.
Resumen: Más allá del cálculo clásico de probabilidades, comprender cómo la incertidumbre impulsa la IA moderna. Esta lección explora por qué los LLMs "hallucinan" (y por qué eso es una característica, no un defecto), 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 "Vibes": 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 en la IA Generativa y provocan hallucinaciones.
- Toma de Decisiones de Agentes: Entender las estrategias de toma de decisiones bajo incertidumbre, centrándose en el dilema "Exploración vs. Explotación" en el Aprendizaje por Refuerzo y Sistemas Multiagente.
Resumen: Introducción práctica a algoritmos basados en datos para aprendizaje supervisado y no supervisado usando Python.
Resultados de Aprendizaje:
- Implementar modelos de aprendizaje supervisado, incluyendo Árboles de Decisión y SVM.
- Aplicar técnicas no supervisadas como agrupamiento K-means y Análisis de Componentes Principales (PCA).
- Usar Scikit-learn para resolver problemas básicos de análisis de datos.
Resumen: La transición hacia el cómputo inspirado en lo biológico, 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 Retropropagación y diversas funciones de activación (ReLU, GELU).
- Construir una red neuronal básica usando PyTorch.
Resumen: Enfoque en el procesamiento de datos visuales mediante arquitecturas especializadas de deep learning.
Resultados de Aprendizaje:
- Comprender los mecanismos de las Redes Neuronales Convolucionales (CNN).
- Analizar arquitecturas avanzadas como ResNet y Transformers para Visión (ViT).
- Implementar un modelo básico de clasificación de imágenes.
Resumen: Evolución del procesamiento de secuencias desde Redes Neuronales Recurrentes hasta el revolucionario mecanismo de Atención.
Resultados de Aprendizaje:
- Diferenciar entre RNN, LSTM y la arquitectura Transformer.
- Explicar el artículo "Attention Is All You Need" y los mecanismos de autoatención.
- Entender el papel de los Encoders y Decoders en modelos como BERT y GPT.
Resumen: Estudio detallado de la IA Generativa de vanguardia centrada en la generación de texto y la adaptación de modelos.
Resultados de Aprendizaje:
- Describir el ciclo de preentrenamiento y fine-tuning de los LLM.
- Explorar el Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF).
- Practicar la Ingeniería de Prompts y métodos de fine-tuning eficientes en parámetros (PEFT/LoRA).
Resumen: Ampliación más allá del texto hacia sistemas de recuperación y medios generativos usando APIs modernas.
Resultados de Aprendizaje:
- Implementar la Generación Incremental por Recuperación (RAG) para reducir las hallucinaciones.
- Entender las matemáticas detrás de los Modelos de Difusión (por ejemplo, Stable Diffusion) y VAE.
- Interactuar con APIs modernas de IA para construir una aplicación generativa.
Resumen: Análisis crítico del impacto social de la IA, centrándose en la responsabilidad y los protocolos de seguridad.
Resultados de Aprendizaje:
- Identificar fuentes de sesgo y garantizar equidad en modelos de IA.
- Discutir la Seguridad en IA, Robustez y el problema de Alineación.
- Evaluar la Explicabilidad (XAI) y estrategias de mitigación para las hallucinaciones de LLM.