Planificación Electiva IA 2023
Planificación Electiva IA 2023
Planificación Electiva IA 2023
Régimen: Cuatrimestral
Hs. Cátedras Semanales: 6 hs
Año de cursada: 5to (Ing. Industrial) – 6to (Ing.
Electrónica)
Equipo de Cátedra
Presentación y Fundamentación
Dentro de las actividades concernientes a la Ingeniería, encontramos muchas que implican decidir cuál curso
de acción seguir, que inversión realizar, cuántos recursos asignar, etc. Por otro lado, las organizaciones en
general y las empresas en particular, producen y almacenan una enorme cantidad de datos, que no siempre
es utilizada para generar valor. Dado el esquema de fuerte competencia actual, resulta menester utilizar el
volumen de datos disponibles para poder mejorar la toma de decisiones, optimizar los procesos productivos
minimizando los costos y maximizando el ciclo de vida de los activos. Si bien hay muchas herramientas para
encarar estos problemas, lo cierto es que el avance de la Ciencia de la Computación, así como la reducción de
costos en hardware, permiten resolver estos problemas en forma más efectiva (rápida, con mejores
resultados y teniendo más factores en cuenta). En las últimas décadas el desarrollo de técnicas de Inteligencia
Artificial para detectar patrones y tomar decisiones fue enorme.
El aprendizaje automático, una de las ramas de la Inteligencia Artificial, permite tratar grandes volúmenes de
datos y obtener patrones que relacionen los mismos. En otras palabras, nos permiten obtener modelos que
generen información sobre el sistema analizado. Las técnicas de optimización, por otro lado, permiten analizar
un gran volumen de decisiones alternativas y seleccionar la que mejor satisfaga nuestras necesidades.
La materia tiene por objeto familiarizar al alumno no solo con los algoritmos de aprendizaje automático y
optimización, sino con su uso práctico en el ámbito de la Ingeniería.
Objetivos
El principal objetivo de la materia es lograr que el alumno interiorice los conceptos básicos tanto de
Aprendizaje Automático como de Optimización Algorítmica y pueda aplicar los algoritmos vistos para la
solución de problemas reales.
Como objetivos secundarios, se espera:
Que el alumno aprenda el uso de herramientas de software para resolver problemas relativos a
la Inteligencia Artificial.
Que desarrolle criterios para determinar qué herramienta es la más útil para un problema
concreto.
UTN-FRSN 772741545.docx9 Página 1 de 10
Universidad Tecnológica Nacional
Facultad Regional San Nicolás
especiales en las que se buscará ejercitar el relevamiento de datos), con una mecánica participativa en la cual
se busca resolver los problemas en forma grupal.
La teoría está disponible en la plataforma virtual CVG y en la bibliografía, dándose una introducción a la
misma en clase y dejándose a los alumnos la tarea de investigación y profundización de conocimientos. Esta
condición está de acuerdo con el desarrollo dinámico del campo de la simulación, en el cual continuamente se
desarrollan nuevas metodologías y softwares. Por lo tanto, la profundización teórica en forma “autodidacta”
permite a los alumnos prepararse para el momento de realizar un estudio de simulación profesional y no
quedar encorsetado a lo visto en la clase.
Debido a la naturaleza práctica de las clases, la misma permite el seguimiento de los alumnos en clase, sobre
todo en lo que respecta a la ejecución de los ejercicios de resolución de “toy models”. Los problemas de
modelado general se entregan en forma de casos de estudio y se resuelven en forma participativa. Pero
debido a la extensión de tiempo requerida para la resolución de problemas no triviales, la evaluación de los
alumnos se realizará mediante tres trabajos prácticos.
A fin de regularizar la materia, el alumno deberá tener aprobada todas las instancias evaluativas con una nota
superior o igual a 4, mientras que se podrá acceder a la promoción directa mediante la aprobación con nota
mínima 6 de cada instancia. Se podrá recuperar (volver a rendir) una instancia evaluativa de cada
cuatrimestre. Dicho recuperatorio se realizará luego de la fecha de entrega del tercer trabajo práctico y la
modalidad del mismo será la de un parcial. Respecto de las fechas de entrega de cada trabajo práctico o del
trabajo de campo, se permitirán retrasar su entrega en 1 semana, pero sujeto al descuento de 2 puntos sobre
la nota total.
Bibliografía
Wolfgang Ertel & Nathanael T. Black - Introduction to Artificial Intelligence - Springer (2018)
Sandro Skansi - Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence -
Springer (2018)
Prateek Joshi - Artificial Intelligence with Python - Packt Publishing (2017)
Mark Girolami & Simon Rogers - A first course in machine learning - CRC Press (2017)
Stephen Marshland - Machine Learning: an algorithmic perspective - CRC Press (2015)
Kevin P. Murphy - Machine Learning: A Probabilistic Perspective - The MIT Press (2012)
Suvrit Sra & Sebastian Nowozin & Stephen J. Wright - Optimization for Machine Learning -
The MIT Press (2011)
Bruce Ratner - Data Mining: Techniques for Better Predictive Modeling and Analysis of Big
Data, Second Edition - CRC Press (2011)
Bertrand Clarke & Ernest Fokoue & Hao Helen Zhang - Principles and theory for data mining
and machine learning - Springer-Verlag New York (2009)
Cronograma de actividades