Cómo funcionan los motores de ajedrez: Un vistazo a Stockfish y AlphaZero

Resumen

Explore chess AI evolution:

from Deep Blue's algorithms to Stockfish's Minimax, and AlphaZero's revolutionary self-learning approach using Monte Carlo Tree Search and neural networks.

Programa

• Introducción a la IA en Ajedrez
Reseña histórica de los motores de ajedrez
Importancia e impacto de la IA en el ajedrez
• Deep Blue: La Fundación
Reseña de la arquitectura de Deep Blue
Sistemas basados en reglas y búsqueda exhaustiva
Estudio de caso: Garry Kasparov vs. Deep Blue
• Stockfish y el Algoritmo Minimax
Fundamentos del algoritmo minimax
Rol de la poda alfa-beta
Funciones de evaluación heurística
Fortalezas y limitaciones de Stockfish
Estudio de caso: Análisis profundo de una partida de Stockfish
• Introducción al Aprendizaje Automático en Ajedrez
Conceptos básicos de aprendizaje automático y redes neuronales
Transición de sistemas basados en reglas a sistemas basados en aprendizaje
• AlphaZero: Una Nueva Era
Reseña de la arquitectura de AlphaZero
Explicación de la Búsqueda de Árbol de Monte Carlo
Métodos de aprendizaje por refuerzo y auto-juego
Procesos de entrenamiento de redes neuronales
Innovaciones y contribuciones a la IA
• Comparación entre Stockfish y AlphaZero
Diferencia en enfoques y arquitecturas
Fortalezas, debilidades y aplicaciones prácticas
Análisis de rendimiento y resultados comparativos
• Tendencias Futuras en la IA de Ajedrez
Direcciones actuales de investigación
Posibles avances y desafíos
Consideraciones éticas e impacto en el ajedrez humano
• Conclusión
Resumen de las ideas clave
Futuro de la IA en juegos estratégicos
• Cierre del Curso y Sesión Final de Preguntas y Respuestas

---

Materias

Conference Talks