CI5437: Inteligencia Artificial I (Pregrado)

Blai Bonet
Matemáticas y Sistemas, 215-A
Departamento de Computación
Universidad Simón Bolívar

bonet AT ldc DOT usb DOT ve
Tel: +58 (212) 906-3263
Web: http://www.ldc.usb.ve/~bonet (http://bonetblai.github.io)

Sinopsis

Curso introductorio a la Inteligencia Artificial (IA): puede ser tomado como electiva libre o como inicio de cadena en IA. Se estudian los modelos y algoritmos básicos para espacios de búsqueda determinística (OR), búsqueda no-determinística (AND/OR), árboles de juego. Introducción a las áreas de SAT, CSP y planificación automática. Inferencia en lógica proposicional y lógica de primer órden (resolución). Introducción al manejo de incertidumbre probabilística.

Evaluación

Objetivos y Cronograma (tentativo)

Semana  Lunes 3-4 @ MYS-015 Miércoles 3-4 @ MYS-015 Viernes 3-4 @ MYS-015
I 16/09: No hay clases (viajando). 18/09: No hay clases (viajando). 20/09: Presentación del curso. ¿Qué es la Inteligencia Artificial? Problema de búsqueda en grafos implícitos. Modelo de espacio de estados.
II 23/09: Modelo de espacio de estados. Representación de grafos. Ejemplos. 25/09: Árboles de búsqueda. Duplicados. Búsqueda tipo grafo vs. búsqueda tipo árbol. Búsqueda en amplitud (Breadth-first search). Búsqueda de costo uniforme (Uniform-cost search). 27/09: PSVN. Proyecto 1.
III 30/09: Búsqueda en profundidad (Depth-first search). Búsqueda en profundidad iterativa (Depth-first iterative deepening). Búsqueda en profundidad iterativa de costo uniforme (Iterative deepening uniform-cost search). 02/10: Heurísticas y propiedades. Greedy best-first search. Best-first search. A*. Iterative Deepening A* (IDA*). Weighted A* e IDA*. 04/10: Discusión proyecto 1.
IV 07/10: Hill climbing. Derivación de heurísticas. Bases de datos de patrones (Pattern data bases (PDBs)). 09/10: Branch-and-bound. Branch-and-bound para TSP. 11/10: Construcción de PDBs con PSVN. Discusión proyecto 1.
V 14/10: Descomposición de problemas. Grafos AND/OR. Criterios de costo. Algoritmo AO*. 16/10: Modelo no determinístico. Ciclos y fairness. Políticas y ejecuciones. Conceptos de solución. Algoritmos. 18/10: Entrega proyecto 1.
VI 21/10: Árboles de juego. Valor del juego y variación principal. Algoritmos minimax, Negamax, poda αβ (αβ-pruning), Scout, y Negascout. Proyecto 2. 23/10: Satisfacción de restricciones (CSP). Modelo. Espacio de búsqueda. Algoritmo básico de backtracking. Ordenamiento de variables y valores. Forward checking. Bactracking no cronológico. Propagación de restricciones. Consistencia de arco: AC3 y AC4. 25/10: Discusión proyecto 2.
VII 28/10: Consistencia de nivel superior. Consistencia fuerte. Inferencia y tratabilidad en CSPs. 30/10: Sintáxis y semántica de LP. Problema de inferencia y SAT. CNF vs. DNF. SAT vs. SAT-CNF. Backtracking simple. Selección del branching literal. Unit propagation. DPLL. 01/11: Implication graph. Análisis de conflicto y clausula conflicto. CDCL. Random re-starts Implementación de UP. Heurísticas para selección de literal. Entrega proyecto 2.
VIII 04/11: Inferencia en SAT. Caso de studio: Sudoku. 06/11: Proyecto 3. 08/11: Discusión proyecto 3.
IX 11/11: Inferencia en LPO. Sintáxis y semántica de LPO. Regla de inferencia. Principio de refutación. Forma clausal y algoritmo de transformación a forma clausal. 13/11: Formas instanciadas. Semi-decidibilidad. Unificación. Algoritmo de resolución. Estrategias de resolución. 15/11: Discusión proyecto 3.
X 18/11: Planificación automática. 19/11: Planificación automática. 21/11: Entrega proyecto 3.
XI 25/11: Planificación automática. 27/11: Discusión. 29/11: No hay clases (fin de curso).
XII 02/12: Discusión. 04/12: Examen. 06/12: Entrega de notas.

Recursos

Bibliografía

Versiones Anteriores

Last Modified 9 Dec 2019