Microcurso introductorio sobre algoritmos de inteligencia computacional inspirados en la naturaleza: lógica difusa, redes neuronales, computación evolutiva, enjambres y sistemas inmunitarios artificiales. Al terminar, el estudiante podrá reconocer qué método conviene explorar según el tipo de problema.
El estudiante aprende cómo la lógica difusa convierte palabras imprecisas en decisiones graduales.
Distinguir una decisión binaria de una representación gradual mediante lógica difusa.
Interpretar una función de pertenencia como una regla que asigna a cada valor un grado de pertenencia a una categoría difusa.
Explicar cómo la fusificación toma una entrada numérica y calcula sus grados de pertenencia en las categorías relevantes.
Describir cómo reglas difusas activadas se combinan y cómo su resultado puede convertirse en un valor numérico final.
El estudiante comprende neuronas artificiales, pesos, error, entrenamiento, retropropagación y capas profundas.
Explicar cómo una neurona artificial combina entradas ponderadas y produce una salida.
Explicar el entrenamiento de una red neuronal como un ciclo de predicción, medición del error y ajuste de pesos, identificando el papel de la retropropagación.
Distinguir deep learning como una familia de machine learning basada en redes con múltiples capas de representación.
El estudiante reconoce cómo evolución, enjambres e inmunidad inspiran búsqueda, optimización y detección.
Explicar un algoritmo evolutivo como una búsqueda que mantiene varias soluciones candidatas, las evalúa y genera nuevas variantes.
Distinguir la función de selección, cruce y mutación en la generación de nuevas soluciones.
Reconocer cómo algoritmos de enjambre usan múltiples agentes simples e intercambio de información para explorar soluciones.
Explicar qué propiedades del sistema inmunitario inspiran algoritmos artificiales y distinguir su uso general en detección, clasificación y optimización.
Digital platform of learning capsules in Spanish
Follow us on social media
