1. OBJETIVOS

El objetivo de este curso es familiarizar al alumno en la teoría y práctica de técnicas modernas de inteligencia artificial destinadas a dotar a máquinas computacionales de una mayor autonomía y eficacia en el análisis de información. El curso estudiará las principales técnicas utilizadas por computadores con el objeto de extraer nuevos conocimientos que permitan obtener modelos o tomar decisiones inteligentes en términos de satisfacer restricciones o actuar en forma óptima. En especial el curso se centrará en la utilización de estas técnicas en aplicaciones de marketing, finanzas y producción, así como también comercio electrónico. El objetivo es lograr una amplia visión del rol actual y las perspectivas futuras del uso de computadores inteligentes en el mundo empresarial.
Al final del curso los alumnos deberán:

1) Tener un conocimiento teórico y práctico de las principales técnicas utilizadas actualmente en la creación de programas capaces de modelar incertezas, generalizar conocimiento, aprender con la experiencia, y/o tomar decisiones en forma autónoma.

2) Entender los aspectos más relevantes en el desarrollo de agentes artificiales inteligentes capaces de procesar información con el objeto de crear modelos de su entorno, realizar predicciones, hacer sugerencias, o tomar decisiones.

3) Conocer algunas de las áreas del mundo empresarial donde este tipos de técnicas están teniendo una amplia aceptación, así como entender su potencial y limitaciones actuales.

2. CONTENIDOS

• Introducción: visión genérica a aprendizaje máquina.

• Aprendizaje basado en casos.

• Reglas de asociación

• Algoritmos de clustering y selección de modelos

• Razonamiento probabilítico, algoritmo ingenuo de Bayes (naive bayes), y redes de Bayes.

• Redes neurales

• Algoritmos genéticos

• Aplicaciones prácticas.

3. METODOLOGÍA

Clases expositivas, lecturas individuales y actividades de laboratorio. El curso comenzará con una visión genérica acerca de la filosofía y metodologías detrás de la creación de programas basados en técnivas de aprendizaje de máquina. Luego se presentarán desde una perspectiva reórica y práctica algunas de las técnicas más utilizadas, tales como, aprendizaje bayesiano, redes neurales, algoritmos genéticos y técnicas de clustering en general. La discusión práctica centrada en aplicaciones del mundo empresarial será apoyada por actividades de laboratorio destinadas a trabjae con bases de datos reales.

4. BIBLIOGRAFÍA

• T. Mitchell, "Machine Learning", McGraw-Hill, 1997.
• J. Han and M. Kamber, "Data Mining: Concepts and Techniques", Morgan Kaufmann, 2000.
• T. Hastie, R. Tibshirani, and J. Friendman, "The Elements of Statustical Learning: Data Mining, Inference, and Prediction", Springer, 2001.
• K. Korb and A. Nicholson, "Bayesian Artificial Intelligence", CRC Press 2004.
• R. Stuart and P. Norvig, "Artificial Intelligence, a Modern Approach", Prentice Hall, 1995.