IA y Aprendizaje Automático: Aplicar, Construir y Resolver

Resumen

By the end of this course, learners will be able to design intelligent agents, apply search algorithms, implement machine learning models, perform logical reasoning, build expert systems with CLIPS, and apply probabilistic models for decision-making. The course equips participants with a strong foundation in Artificial Intelligence and Machine Learning, combining theory with hands-on practice.

This training begins with AI fundamentals, intelligent agents, and search strategies, then advances to heuristic methods and game-playing algorithms. Learners will explore neural networks, backpropagation, and clustering to understand machine learning essentials.

Logical reasoning and knowledge representation are introduced through propositional and predicate logic, unification, resolution, and Prolog programming. Expert systems are covered in depth with practical CLIPS tutorials, progressing from basics to advanced features.

Finally, the course integrates intelligent agent architectures with reinforcement learning, Markov Decision Processes, and Bayesian reasoning to manage uncertainty. Unique to this course is its balance of conceptual clarity and practical exercises, ensuring learners gain both the “why” and the “how” of AI.

By completing this course, learners will be well-prepared to apply AI and ML techniques to solve real-world problems in research, business, and technology.

Programa

• Fundamentos de la Inteligencia Artificial Este módulo introduce los fundamentos de la Inteligencia Artificial, incluyendo definiciones, agentes inteligentes y búsqueda en el espacio de estados. Los estudiantes explorarán algoritmos de búsqueda básicos como BFS, DFS y retroceso, adquiriendo una base sólida en técnicas de resolución de problemas de IA.
• Búsqueda Avanzada y Juegos Este módulo cubre técnicas de búsqueda basadas en heurísticas y estrategias de juegos adversarios. Los estudiantes examinarán funciones heurísticas, admisibilidad, escalada de colinas, búsqueda del mejor primero y el algoritmo minimax con poda alfa-beta.
• Fundamentos de Aprendizaje Automático Este módulo introduce los conceptos básicos del aprendizaje automático con un enfoque en perceptrones, redes neuronales, retropropagación y algoritmos de agrupamiento. Los estudiantes adquirirán una comprensión práctica de los métodos de aprendizaje supervisado y no supervisado.
• Lógica, Razonamiento y Representación del Conocimiento Este módulo explora el razonamiento simbólico, cubriendo lógica proposicional y de predicados, reglas de inferencia, unificación, resolución y programación en Prolog. Los estudiantes también analizarán marcos de razonamiento como el basado en casos y el basado en modelos.
• Sistemas Expertos y Programación en CLIPS Este módulo introduce sistemas expertos basados en reglas con aplicaciones prácticas utilizando el entorno de programación CLIPS. Los estudiantes progresarán desde los conceptos básicos de CLIPS a características avanzadas como variables, plantillas, comodines y cuantificadores.
• Agentes Inteligentes, Toma de Decisiones y Probabilidad Este módulo integra arquitecturas de agentes inteligentes con marcos de toma de decisiones, aprendizaje por refuerzo y modelos probabilísticos. Los estudiantes explorarán MDPs, razonamiento bayesiano y estrategias para manejar la incertidumbre en los sistemas de IA.

---

Impartido por

EDUCBA

---

Materias

Computer Science