🎲 Parte 02 — IA probabilística, evolutiva y de decisión

Nivel: intermedio · Duración sugerida: 4–5 semanas · Clases: 12

Introduce decisiones bajo incertidumbre, modelos temporales, simulación, lógica difusa y métodos de búsqueda inspirados en la naturaleza.

🧭 Secuencia de la parte

flowchart LR
    L025["025<br/>Razonamiento con incertidumbre"]
    L026["026<br/>Teorema de Bayes<br/>y actualización de<br/>creencias"]
    L027["027<br/>Redes bayesianas e<br/>independencia condicional"]
    L028["028<br/>Modelos ocultos de<br/>Markov"]
    L029["029<br/>Procesos de decisión<br/>de Markov"]
    L030["030<br/>Teoría de decisión<br/>y utilidad esperada"]
    L031["031<br/>Métodos Monte Carlo<br/>y simulación"]
    L032["032<br/>Lógica difusa y<br/>control aproximado"]
    L033["033<br/>Algoritmos genéticos"]
    L034["034<br/>Optimización por enjambre<br/>y colonia"]
    L035["035<br/>Programación probabilística y<br/>causalidad"]
    L036["036<br/>Proyecto: sistema híbrido<br/>para decisiones"]
    L025 --> L026
    L026 --> L027
    L027 --> L028
    L028 --> L029
    L029 --> L030
    L030 --> L031
    L031 --> L032
    L032 --> L033
    L033 --> L034
    L034 --> L035
    L035 --> L036

📚 Clases

ID Tema Laboratorio Horas
025 Razonamiento con incertidumbre probability 6
026 Teorema de Bayes y actualización de creencias probability 6
027 Redes bayesianas e independencia condicional probability 6
028 Modelos ocultos de Markov probability 6
029 Procesos de decisión de Markov workflow 6
030 Teoría de decisión y utilidad esperada probability 6
031 Métodos Monte Carlo y simulación probability 6
032 Lógica difusa y control aproximado logic 6
033 Algoritmos genéticos optimization 6
034 Optimización por enjambre y colonia optimization 6
035 Programación probabilística y causalidad probability 6
036 Proyecto: sistema híbrido para decisiones capstone 10

📝 Evaluación de la parte

⬅️ Parte 01 — IA simbólica, búsqueda, lógica y planificación · 🏠 Volver al programa · ➡️ Parte 03 — Machine learning clásico