Fundamentos y Aplicaciones de la Inteligencia Artificial

Capítulos del Curso

1. Capítulo 1: Introducción a la Inteligencia Artificial
   • ¿Qué es la Inteligencia Artificial?
   • Historia y evolución de la IA
   • Tipos de Inteligencia Artificial (débil, fuerte, general, estrecha)
   • Principales áreas de estudio en IA
   • IA vs Automatización: diferencias clave
   • Casos cotidianos de uso de IA
2. Capítulo 2: Fundamentos Técnicos de la IA
   • Lógica proposicional y lógica de predicados
   • Algoritmos de búsqueda: BFS, DFS, A*
   • Representación del conocimiento
   • Razonamiento probabilístico y redes bayesianas
   • Teoría de agentes inteligentes
   • Introducción a los algoritmos genéticos
3. Capítulo 3: Fundamentos del Aprendizaje Automático
   • ¿Qué es el Machine Learning?
   • Aprendizaje supervisado: regresión y clasificación
   • Aprendizaje no supervisado: clustering y reducción de dimensionalidad
   • Aprendizaje por refuerzo: recompensas y agentes
   • Evaluación de modelos: overfitting y métricas
   • Ciclo de vida de un proyecto de ML
4. Capítulo 4: Redes Neuronales y Deep Learning
   • Fundamentos de las redes neuronales artificiales
   • Perceptrón y redes multicapa (MLP)
   • Deep Learning: qué es y cómo funciona
   • Convolutional Neural Networks (CNN)
   • Recurrent Neural Networks (RNN) y LSTM
   • Arquitecturas modernas: Transformers y Attention
5. Capítulo 5: Procesamiento de Lenguaje Natural (NLP)
   • Introducción al NLP y sus desafíos
   • Preprocesamiento de texto: tokenización, lematización, stopwords
   • Modelos vectoriales: TF-IDF, Word2Vec, GloVe
   • Modelos de lenguaje: RNN, LSTM, Transformer
   • Aplicaciones de NLP: chatbots, análisis de sentimientos
   • GPT, BERT y modelos de lenguaje actuales
6. Capítulo 6: Visión por Computadora
   • ¿Qué es la visión artificial y para qué sirve?
   • Fundamentos del procesamiento de imágenes
   • Clasificación de imágenes con CNN
   • Detección de objetos: YOLO y SSD
   • Segmentación de imágenes: U-Net y Mask R-CNN
   • Aplicaciones reales: seguridad, medicina, industria
7. Capítulo 7: Ética, Sociedad y Futuro de la IA
   • Impacto social de la inteligencia artificial
   • Desigualdad, automatización y pérdida de empleos
   • Sesgos algorítmicos y discriminación
   • IA y privacidad de los datos
   • Regulaciones, leyes y principios éticos
   • El futuro de la IA: riesgos y oportunidades
8. Capítulo 8: Herramientas y Lenguajes para IA
   • Lenguajes más usados: Python, R, Julia
   • Bibliotecas populares: Scikit-learn, Pandas, NumPy
   • Introducción a TensorFlow y Keras
   • Introducción a PyTorch
   • Plataformas para experimentar: Google Colab, Jupyter, Kaggle
   • Cómo elegir la herramienta adecuada según el proyecto