Unidad 1: Nociones y antecedentes.
1. Nociones y antecedentes. En la Antigüedad.
2. Leonardo da Vinci: Autómata Cavaliere y el león
mecánico.
3. Nociones.
3.1. Norbert Wiener, Warren McCulloch y Walter Pitts.
4. Alan Turing.
4.1. Premio Loebner y los Chatbots.
5. Reconocimiento.
6. Ajedrez.
6.1. Microprocesadores y Deep Blue.
7. Lenguaje Natural: fases 1 y 2.
8. Lenguaje Natural: fases 3 y 4.
9. ¿Inteligencia Artificial o programa informático?
10. Nuevo auge
Unidad 2: Características de la IA.
1. Características de la IA.
1.1. Situaciones en las que podemos aplicar la IA.
1.2. Características comunes de la Inteligencia
Artificial.
2. Las redes neuronales.
2.1. Imita el cerebro humano.
2.2. Ventajas de las redes neuronales.
3. Machine Learning (ML). Supervisado y sin
supervisión.
3.1. Machine Learning (ML). Semisupervisado y uso
de refuerzo.
4. Automatización de procesos.
5. Función 24x7.
6. Precisión absoluta.
7. Gestión de datos abundantes.
7.1. Hablemos más de datos.
7.2. Datos estructurados vs no estructurados.
8. Retos. Datos y personal.
8.1. Retos. Coste y software
Unidad 3: Símbolos y métodos numéricos
1. Símbolos y métodos numéricos. Introducción a la
Inteligencia Artificial débil.
1.1. Introducción. Inteligencia Artificial fuerte.
1.2. Introducción. Sistemas expertos y lenguajes
modernos.
2. Sistemas expertos.
2.1. Sistemas expertos. Clasificación.
2.2. Sistemas expertos. Funcionamiento.
2.3. Sistemas expertos. Primera y segunda
generación.
2.4. Sistemas expertos. Tercera generación y lógica
difusa.
2.5. Sistemas expertos. Tareas.
2.6. Caja negra y caja de cristal.
2.7. Caja negra y caja de cristal. Ejemplos y
conclusiones.
3. Lógica proposicional.
3.1. Lenguaje de la representación del conocimiento.
3.2. Sintaxis de la lógica proposicional.
3.3. Semántica de la lógica proposicional.
4. Tablas de verdad.
4.1. Inferencia o razonamiento.
5. Lenguajes de desarrollo de la IA.
5.1. Lenguajes de desarrollo de la IA. LISP y
PROLOG.
5.2. Funcionamiento de LISP y PROLOG.
Unidad 4: Fórmulas y funciones.
1. Introducción. Lógica proposicional.
1.1. Introducción. Lógica de predicados.
1.2. Introducción. Otros modelos de lógica.
2. Lógica proposicional. Elementos.
2.1. Conectores.
2.2. Fórmulas bien formadas.
3. Lógica de predicados. Lógica de primer orden.
3.1. Componentes.
3.2. Formulas Bien Formadas (FBF).
3.3. Alfabeto de la lógica de primer orden.
3.4. Alfabeto de la lógica de primer orden.
3.5. Oraciones del lenguaje de primer orden.
3.6. Semántica de primer orden.
3.7. Interpretación de un lenguaje de primer orden.
3.8. Verdad en una interpretación.
3.9. Modelos y satisfacibilidad.
4. Sistemas deductivos. Objetivo.
4.1. Hilbert y su sistema.
4.2. Reglas de Inferencia.
4.3. Teorema de la deducción.
4.4. Sistemas formales y la incompletitud de Gödel.
4.5. Teorema de Gödel sobre la incompletitud de los
sistemas formales.
4.6. Conclusión.
Unidad 5: Algoritmos.
1. Introducción. Algoritmos I.
1.1. Introducción. Algoritmos II.
2. Aprendizaje automático supervisado. Contexto.
2.1. Redes neuronales artificiales.
2.2. Algoritmos de clasificación.
2.3. Árboles de decisión.
2.4. Algoritmos de regresión.
3. Aprendizaje automático NO supervisado. Contexto.
3.1. Aprendizaje por refuerzo (Reinforcement
Learning).
3.2. Algoritmos genéticos.
3.3. Algoritmos de clustering.
3.4. Reducción de dimensionalidad.
4. Minería de datos. Contexto.
4.1. Relación entre minería de datos e IA.
4.2. Algoritmos de detección de anomalías.
4.3. Algoritmos de minería de datos.
4.4. Algoritmos de selección de características.
4.5. Algoritmos de agrupamiento difuso (Fuzzy
Clustering).
5. Procesamiento de imágenes y voz. Contexto.
5.1. Reducción de ruido en imágenes mediante
algoritmos de filtrado.
5.2. Algoritmos de análisis de sentimientos.
5.3. Algoritmos de detección de objetos en imágenes.
5.4. Algoritmos de reconocimiento de voz.
6. Procesamiento del lenguaje natural y predicción.
Contexto.
6.1. Algoritmos de procesamiento del lenguaje
natural.
6.2. Algoritmos de predicción de series temporales.
6.3. Algoritmos de optimización de redes neuronales.
Unidad 6: Algoritmos y aplicaciones de negocio
(caso geolocalización).
1. Introducción. ¿Qué son los algoritmos y por qué
son importantes para los negocios?
1.1. Ejemplos de algoritmos utilizados en los
negocios.
1.2. Introducción a la geolocalización y su importancia
en el ámbito empresarial.
2. Maneras de mejorar los negocios con algoritmos I.
2.1. Maneras de mejorar los negocios con algoritmos
II.
2.2. Utilización de algoritmos en la toma de
decisiones
empresariales.
2.3. Aplicaciones de algoritmos en la gestión de datos
y análisis de información empresarial.
2.4. Algoritmos de Inteligencia Artificial y su impacto
en los negocios.
2.5. Algoritmos de optimización y su aplicación en la
gestión de recursos empresariales

2.6. Algoritmos en la planificación y gestión de
proyectos empresariales.
3. Desafíos y conclusiones. Desafíos en la
implementación de algoritmos en los negocios.
3.1. ¿Cuáles son las oportunidades que brindan los
algoritmos en los negocios y cómo las empresas
pueden aprovecharlas?
4. Algoritmos y aplicaciones de geolocalización.
Conceptos fundamentales de los algoritmos de
geolocalización.
4.1. Tipos de algoritmos de geolocalización utilizados
en el mundo empresarial.
4.2. Ejemplos de aplicaciones de negocio que utilizan
la geolocalización.
4.3. Herramientas y plataformas de geolocalización
disponibles para las empresas.
5. Beneficios de la geolocalización para el ámbito
empresarial: ahorro de costes, aumento de la
eficiencia, mejora de la toma de decisiones.
5.1. Desafíos y limitaciones de la geolocalización en
el ámbito empresarial: privacidad, precisión de los
datos, acceso a la tecnología.
6. Tendencias y perspectivas futuras. Tendencias y
perspectivas futuras de la geolocalización en el
mundo empresarial.
6.1. Conclusiones.
Unidad 7: Sistemas basados en conocimiento.
1. Introducción a los sistemas basados en
conocimiento. Definición de sistemas basados en
conocimiento.
1.1. Diferencias entre sistemas basados en
conocimiento y sistemas expertos.
1.2. Ejemplos de aplicaciones de sistemas basados
en conocimiento.
1.3. Ventajas y desventajas de los sistemas basados
en conocimiento.
1.4. Tendencias y futuro de los sistemas basados en
conocimiento.
2 Representación del conocimiento. Tipos de
conocimiento: declarativo, procedimental y heurístico.
2.1. Métodos de representación del conocimiento.
2.2. Selección del método de representación
adecuado para el problema a resolver.
2.3. Transformación de conocimiento en una forma
utilizable por el sistema.
2.4. Modelos de conocimiento híbridos.
3. Adquisición de conocimiento. Métodos para
adquirir conocimiento.
3.1. Herramientas de apoyo a la adquisición de
conocimiento.
3.2. Procesos de validación y verificación de la
calidad del conocimiento adquirido.
3.3. Incorporación de feedback para mejorar l

calidad del conocimiento.
3.4. Métodos de transferencia de conocimiento.
4. Implementación y evaluación de sistemas basados
en conocimiento. Diseño e implementación de
sistemas basados en conocimiento.
4.1. Evaluación del desempeño de los sistemas
basados en conocimiento.
4.2. Mantenimiento y actualización de los sistemas
basados en conocimiento.
4.3. Integración de sistemas basados en
conocimiento con otros sistemas de IA.
4.4. Diseño y evaluación de interfaces de usuario
para sistemas basados en conocimiento.
5. Aplicaciones específicas de sistemas basados en
conocimiento. Aplicaciones en la medicina.
5.1. Aplicaciones en la gestión del conocimiento
empresarial.
5.2. Aplicaciones en la robótica y la automatización.
5.3. Aplicaciones en la educación.
Unidad 8: Motores de inferencia.
1. Conceptos fundamentales de los motores de
inferencia.
1.1. ¿Qué son los motores de inferencia?
1.2. Funciones de los motores de inferencia en la
Inteligencia Artificial.
1.3. Ventajas y desventajas de los motores de
inferencia en la Inteligencia Artificial.
2. Modelos de inferencia en la Inteligencia Artificial.
2.1. Tipos de motores de inferencia.
2.2. Modelos de inferencia en la Inteligencia Artificial.
2.3. Diferencias entre los modelos de inferencia en la
Inteligencia Artificial.
3. Modelos de inferencia específicos.
3.1. Modelos de inferencia basados en reglas.
3.2. Modelos de inferencia probabilística.
3.3. Modelos de inferencia basados en redes
neuronales.
3.4. Modelos de inferencia basados en lógica difusa.
3.5. ¿Qué es el razonamiento basado en casos y
cómo se relaciona con los motores de inferencia?
4. Representación del conocimiento en los motores
de inferencia.
4.1. ¿Cómo se representa el conocimiento en los
motores de inferencia?
4.2. Lenguajes de representación del conocimiento
en los motores de inferencia.
4.3. Métodos para adquirir conocimiento y alimentar
los motores de inferencia. Parte I.
4.4. Métodos para adquirir conocimiento y alimentar
los motores de inferencia. Parte II.
5. Aplicaciones y tendencias de los motores de
inferencia.
5.1. Tendencias de los motores de inferencia.
5.2. Ejemplos de motores de inferencia utilizados en
la Inteligencia Artificial.
5.3. Aplicaciones de los motores de inferencia en la
Inteligencia Artificial.
5.4. Tendencias actuales en el desarrollo de los
motores de inferencia.
5.5. Desafíos en el desarrollo de los motores de
inferencia en la Inteligencia Artificial.
5.6. Futuro de los motores de inferencia en la
Inteligencia Artificial.
5.7. Conclusiones sobre los motores de inferencia en
la Inteligencia Artificial.
Unidad 9: Patrones.
1. Patrones en el aprendizaje automático
supervisado.
1.1. Introducción a los patrones en el aprendizaje
automático supervisado.
1.2. Ejemplos de patrones en conjuntos de datos
etiquetados.
1.3. Métodos de detección de patrones en conjuntos
de datos.
1.4. Interpretación de patrones encontrados en
modelos supervisados.
1.5. Ejemplos de aplicaciones de aprendizaje
automático supervisado que utilizan patrones.
2. Patrones en el aprendizaje automático no
supervisado.
2.1. Introducción a los patrones en el aprendizaje
automático no supervisado.
2.2. Métodos de agrupamiento (clustering) y
detección de anomalías.
2.3. Ejemplos de patrones en conjuntos de datos no
etiquetados.
2.4. Interpretación de patrones encontrados en
modelos no supervisados.
2.5. Ejemplos de aplicaciones de aprendizaje
automático no supervisado que utilizan patrones.
3. Patrones en el procesamiento del lenguaje natural.
3.1. Introducción a los patrones en el procesamiento
del lenguaje natural.
3.2. Ejemplos de patrones lingüísticos en textos.
3.3. Métodos de detección de patrones lingüísticos.
3.4. Ejemplos de aplicaciones de procesamiento del
lenguaje natural que utilizan patrones.
4. Patrones en la visión por computadora.
4.1. Introducción a los patrones en la visión por
computadora.
4.2. Ejemplos de patrones visuales en imágenes y
videos.
4.3. Métodos de detección de patrones visuales.
4.4. Ejemplos de aplicaciones de visión por
computadora que utilizan patrones.
5. Patrones en la robótica y la automatización.
5.1. Introducción a los patrones en la robótica y la
automatización.
5.2. Ejemplos de patrones en tareas robóticas y de
automatización.
5.3. Métodos de detección de patrones en tareas
robóticas y de automatización.
5.4. Ejemplos de aplicaciones de robótica y
automatización que utilizan patrones.
Unidad 10: Reglas y restricciones.
1. Ética y responsabilidad en la IA y los algoritmos.
1.1. Responsabilidad y accountability en la IA y los
algoritmos.
1.2. Ética en el diseño de la IA y los algoritmos.
1.3. La necesidad de diversidad e inclusión en el
desarrollo de la IA y los algoritmos.
1.4. Evaluación de impacto ético en la IA y los
algoritmos.
1.5. La importancia de la ética en la IA y los
algoritmos en la toma de decisiones empresariales y
organizativas.
2. Sesgos y discriminación en la IA y los algoritmos.
2.1. Sesgos en los algoritmos y cómo evitarlos.
2.2. Discriminación en la IA y los algoritmos.
2.3. Privacidad y seguridad en la IA y los algoritmos.
3. Regulaciones y gobernanza en la IA y los
algoritmos.
3.1. Regulaciones y leyes sobre la IA y los algoritmos.
3.2. Transparencia y explicabilidad en la IA y los
algoritmos.
3.3. Gobernanza de la IA y los algoritmos.
4. Impacto de la IA y los algoritmos en diferentes
sectores.
4.1. Impacto de la IA y los algoritmos en el empleo y
el mercado laboral.
4.2. La IA y los algoritmos como ejemplo en la
atención médica y la medicina.
4.3. La IA y los algoritmos en la toma de decisiones
políticas y públicas.
5. Futuro de la IA y los algoritmos.
5.1. Futuro de la IA y los algoritmos: tendencias y
perspectivas.
5.2. La influencia de la Inteligencia Artificial y los
algoritmos en la forma en que nos comunicamos y
nos relacionamos con los demás.
5.3. El potencial de la IA y los algoritmos para
amplificar la desinformación y la propaganda.
5.4. El papel de la IA y los algoritmos en la creación
de trabajos y la automatización del trabajo humano