¡Bienvenidos al futuro, Bienvenidos a la Inteligencia Artificial! Blog del curso en castellano sobre desarrollo de aplicaciones de Inteligencia Artificial. Con una serie de vídeos aprenderás tanto las bases de la I.A. como los detalles de cada uno de los algoritmos de los que se compone, clasificados por áreas y aplicaciones. Todo explicado de forma sencilla y amena por José Luis Iglesias Feria, Ingeniero Informático de la UNED, apasionado de la Inteligencia Artificial.
Explicación de cómo son los agentes lógicos basados en la lógica de proposiciones: sus características, su funcionamiento, sus ventajas e inconvenientes, el tipo de reglas con las que deben trabajar para poder hacer inferencia lógica de forma efectiva y cómo se pueden usar en planificación.
Se explican dos algoritmos (DPLL y WalkSAT) basados en el algoritmos de las tablas de verdad, también basados en vuelta atrás de PSR, y que son más efectivos ya que llevan a cabo ciertas mejoras para que la búsqueda tarde mucho menos. Se explican y se muestra su pseudocódigo. Estos algoritmos pueden determinar la satisfacibilidad de la base de conocimiento y se pueden usar en combinación con la resolución y los encadenamientos hacia delante y hacia atrás para obtener inferencia de forma efectiva con lógica de proposiciones.
Adaptación del algoritmo MiniMax para entornos más complejos, como son los entornos parcialmente observables o los entornos estocásticos en los que influye el azar y que se implementa con nodos de posibilidad mediante el algoritmo ExpectiMiniMax. Por último, se verá una introducción a las alternativas al MiniMax.
Mejoras del algoritmos MiniMax para poder hacerlo más tratable y reducir su complejidad. Establecimiento de una profundidad máxima y uso de funciones de evaluación en vez de utilidad para estados no finales. Efecto horizonte y mejoras en las podas.
Optimización del algoritmo de búsqueda MiniMax para juegos, en la que se evalúa los valores de utilidad de los nodos para determinar si merece la pena o no seguir explorando una rama o se pude descartar (podar). Para ello, se analizará los rangos de valores posibles para ese nodo y se compararán dichos rangos unos con otros.
Algoritmo más sencillo y base del resto de algoritmos de juegos dentro del enfoque de búsqueda en grafos. Este algoritmo se irá mejorando poco a poco para lograr una mayor eficiencia y rendimiento.
Resumen de la teoría de juegos en la que se basan los algoritmos de búsqueda donde hay varios agentes. Explicación de los juegos de suma cero y definición del problema para este tipo de búsquedas.
Último vídeo sobre problemas de satisfacción de restricciones donde se explican algunas técnicas para mejorar el rendimiento de las búsquedas modificando la estructura del grafo de restricciones mediante técnicas de divide y vencerás, como puede ser la eliminación de nodos o el uso de hipernodos.
Resolución de problemas de satisfacción de restricciones pero desde un punto de vista de búsqueda local en vez de búsqueda con vuelta atrás, aplicando la búsqueda de mínimos conflictos (explicación y pseudocódigo) y mejorándola con la búsqueda tabú y la de restricciones ponderadas. También se comentan las ventajas y desventajas de este enfoque.
Explicación completa del algoritmo de búsqueda con vuelta atrás para resolver problemas de satisfacción de restricciones. Con ejemplos, pseudocódigo y posibles mejoras a aplicar.
Ejemplos sobre consistencia local de nodo, de arco y de camino para ver cómo funcionan los diferentes algoritmos explicados en el vídeo anterior, en especial AC-3.
Explicación de los diferentes tipos de consistencia local que existen dentro de los problemas de satisfacción de restricciones y cómo permiten mejorar los búsquedas en los grafos de restricciones.
Ejemplos de cómo funciona el muestreo de Gibbs, una forma de inferencia aproximada en redes bayesianas. Se explica cómo hacer cada uno de los cálculos necesarios y los pasos que hay que ir realizando.