Para el final del curso se espera que el alumno pueda:

• Reconocer problemas que se pueden resolver mediante la aplicación de técnicas de Inteligencia Artificial.
• Conocer los conceptos básicos de las principales técnicas de Inteligencia Artificial.
• Proponer soluciones basadas en Inteligencia Artificial para diferentes problemas.
• Conocer y utilizar las librerías de aprendizaje automático de Python más comunes.

Unidad 1: Introducción

• Qué es IA?
• Fundamentos.
• Historia.
• Ejemplos de aplicación en distintos dominios.
• Resolución de problemas.
• Representación de conocimiento.
• Aprendizaje Automático.
• Estado del arte.
• Introducción al resto de la diplomatura.

Unidad 2. Procesamiento de Datos

• Introducción al manejo de datos.
• Proceso de KDD.
• Distintos tipos de datos.
• Preprocesamiento (limpieza, datos faltantes, ruido, clases desbalanceadas).
• Postprocesamiento.
• Datos Web.
• Selección de características.

Unidad 3. Aprendizaje Automático

• Introducción al aprendizaje de automático. Tipos de algoritmos y taxonomía.
• Aprendizaje supervisado: conceptos básicos, algoritmos de clasificación (basados en vecinos, reglas, funciones, árboles de decisión, probabilísticos), algoritmos de regresión.
• Aprendizaje no supervisado: conceptos básicos, algoritmos de clustering (basados en particionamiento y jerárquicos), métodos de detección de anomalías.
• Aprendizaje semi-supervisado.
• Aprendizaje por refuerzo.
• Casos de estudio.

Unidad 4. Métodos de evaluación y métricas

• Preparación de conjuntos de datos. Balanceo de clases. Sobremuestreo (oversampling), submuestreo (undersampling) o ponderación (weighting).
• Particionamiento de datos: entrenamiento/validación/prueba.
• Técnicas de evaluación: holdout, holdout repetitivo, leave-one-out, k-fold cross validation.
• Métricas de evaluación para clasificación: matriz de confusión, precisión, recall, F-Measure, curvas ROC y AUC, utilidad, métricas de ranking. Sobreajuste (overfitting).
  Métricas de evaluación para clustering: calidad del agrupamiento. Medidas internas (similitud intra-cluster, silhouette coefficient) y externas (entropía, pureza, mutual information, homogeneidad, completitud y V-measure).
• Evaluación y comparación de modelos.

Las clases se dictarán de manera teórico/práctica. Las partes teóricas son dictadas por los profesores; aunque se promueve la participación de los alumnos, la metodología de enseñanza es fundamentalmente expositiva. En las partes teóricas el docente presenta los conceptos y se discuten con los alumnos ejemplos concretos de aplicación. En las partes prácticas, los alumnos resuelven ejercicios, ayudados eventualmente con diferentes herramientas de software, tal como notebooks Python sobre la plataforma Google Colab. La modalidad virtual será utilizada para responder consultas puntuales sobre los trabajos prácticos.

Los estudiantes deberán entregar al término de la cursada un trabajo práctico (y breve presentación oral) donde se analice un problema concreto y se dé una solución que aplique los conceptos vistos durante el módulo.
Los estudiantes podrán realizar el trabajo en grupos. En caso de que la evaluación no sea satisfactoria, los estudiantes contarán con la posibilidad de una reentrega.

• Artificial Intelligence: A modern approach (4ta edition) – Stuart Russell and Peter Norvig – Prentice Hall – 2021
• Oded Maimon · Lior Rokach (Editors) – Data Mining and Knowledge Discovery Handbook –
  Second Edition – Springer – 2010
• Python Machine Learning (2nd edition) – Sebastian Raschka and Vahid Mirjalili – Packt Publishing – 2017.
• Hands-On Machine Learning with Scikit-Learn and TensorFlow – Aurélien Géron – O’Reilly – 2017.
• Pattern Recognition and Machine Learning – Christopher M. Bishop – Springer 2011.
• Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data – Bing Liu – Springer 2011.

DOCENTES

Silvia Schiaffino

Doctora en Ciencias de la Computación, Investigadora Principal de CONICET y Profesora Titular de la UNICEN. 25 años de experiencia en proyectos de I+D y formación de RRHH en IA. Trabaja en sistemas de recomendación y aplicación de IA en redes sociales, entretenimiento y ciudades inteligentes.

Daniela Godoy

Doctora en Ciencias de la Computación, Investigadora Principal de CONICET y Profesora Titular de la UNICEN. Especialista en minería de textos, sistemas de recomendación y análisis de redes sociales.

Ariel Monteserin

Doctor en Ciencias de la Computación, Investigador Adjunto de CONICET y Profesor Asociado de la UNICEN. Sus temas principales de investigación son en negociación automática, maximización de influencia en redes sociales, crowdsensing y smart cities.

Alfredo Teyseyre

Doctor en Ciencias de la Computación, Personal de Apoyo Principal de CONICET y Profesor Asociado de la UNICEN. Sus temas principales de investigación son visualización de datos, redes neuronales e ingeniería de software.