Lugar de dictado presencial: Aula de Informática – Facultad de Ingeniería – UNaM – Rosas 325, Oberá, Misiones, Argentina.

Aranceles

• Arancel General: $ 15.000.
• Docentes de la Facultad de Ingeniería(FI-UNaM): $ 7.500.
• Extranjeros: U$S 80.
• La FI-UNaM otorgará becas parciales a los alumnos de carreras de Posgrado de la FI-UNaM.

Carga Horaria: 50 (cincuenta) horas.

Cupo: máximo 60 alumnos.

Para preinscribirse ingresar a la pág. del Doctorado en Ingeniería o al siguiente ENLACE

Para más información escribir a: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo. , Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

Objetivo general: Integrar los conceptos y herramientas de la IA para la implementación de soluciones funcionales de ingeniería, haciendo especial énfasis en la práctica y el entrenamiento de habilidades analíticas y creativas.

Objetivos específicos:

• Examinar los fundamentos históricos y conceptuales de la IA.
• Analizar implementaciones prácticas de las herramientas para familiarizarse con sus parámetros, criterios y técnicas de aplicación.
• Ejercitar la implementación de herramientas de IA para el desarrollo de soluciones computacionales a problemas de ingeniería.
• Generar un espacio académico para exponer y contrastar ideas, retroalimentar los proyectos elaborados y enriquecer con una mirada de integralidad el conocimiento de los asistentes.

Contenidos:

• Reseña histórica y fundamentos de la IA. Fundamentos de la manipulación de datos, nociones de big data. Definiciones de conocimiento, razonamiento, abstracción, inteligencia e inferencia. Representación del conocimiento y toma de decisiones con incertezas. Fundamentos de lógica difusa. Clasificación y regresión. Métricas de desempeño.
• Inspiración biológica de las RNA, perceptrón. Flujo de trabajo con RNA. Entrenamiento y aprendizaje no supervisado, supervisado y por refuerzo de RNA. Estadísticas y métricas de entrenamiento y desempeño de RNA. Topología y arquitectura de RNA. Transfer learning.
• Inspiración biológica de la computación evolutiva. Nociones de genética biológica como marco para la representación de problemas de ingeniería como genes y cromosomas. Ventajas y limitaciones de la representación biológica extendida a la ingeniería. Conceptos de evolución, población, generaciones, reproducción, supervivencia y elitismo. Estrategias y algoritmos de reproducción en computación evolutiva. Estrategias y métricas de bondad de ajuste de un individuo. Algoritmos de computación evolutiva para solución de problemas de búsqueda y optimización, contraste con algoritmos clásicos.

RNA: Redes Neuronales Artificiales