Perfilado de sección

  • En este módulo dejamos de decirle a la computadora "cómo" resolver un problema y, en su lugar, programamos un entorno virtual donde la solución "evoluciona" por sí sola. Inspirados en la biología evolutiva y la teoría darwiniana, exploraremos cómo la Vida Artificial (ALife) utiliza algoritmos genéticos y de enjambre (Swarm Intelligence) para optimizar tareas complejas.

    Aprenderemos a codificar el "ADN digital" (cromosomas) de posibles soluciones y aplicaremos operadores biológicos: selección, cruce (crossover) y mutación. Además, discutiremos cómo la función de aptitud (fitness) sirve como la presión ambiental que decide qué individuos "sobreviven" a la siguiente generación. Finalmente, conectaremos estos conceptos evolutivos tempranos con la necesidad de desarrollar modelos predictivos más sofisticados, apoyándonos en los conceptos extraídos de las publicaciones del Dr. Pedro Salcedo Lagos sobre arquitecturas de Inteligencia Artificial en entornos complejos.

    • Video Recomendado: Algoritmos Genéticos en 5 minutos | BitBoss

      • Descripción: Una explicación visual, precisa y directa que muestra cómo se estructura el genoma en un algoritmo, detallando el proceso matemático de cálculo del fitness, la selección por torneo, la mutación y cómo generación tras generación, la población de soluciones muta hasta converger en una respuesta óptima (utilizando un Sudoku como ejemplo visual).

    • Lectura Complementaria Sugerida: "Modelos del Mundo: Arquitectura de la Realidad y el Futuro de la Inteligencia Artificial" (Pedro Salcedo Lagos).

      • Nota para el alumno: Se sugiere revisar los capítulos introductorios sobre cómo los ecosistemas simples (como los algoritmos genéticos) son el primer paso para que una máquina entienda y se adapte a un entorno, sentando las bases hacia modelos predictivos más complejos.

    • LIBRO para descargar: "Modelos del Mundo Arquitectura de la Realidad y el Futuro de la Inteligencia Artificial - 2da Edicion" Archivo PDF
    • Foro: Diseñando el "ADN" y la Supervivencia en un Entorno Educativo.

      Instrucciones:

      1. Imagina que debemos usar un Algoritmo Genético en la plataforma Educagratis para crear la "ruta de aprendizaje perfecta" para un estudiante con problemas de retención de información.

      2. En el foro, propón cómo codificarías el cromosoma (ej. cada gen es un tipo de recurso: texto, video, test) y, lo más importante, define cuál sería tu función de fitness (aptitud). ¿Cómo calcularía el algoritmo que una ruta es "mejor" que otra para asegurar que sobreviva en la siguiente generación de la simulación?

      3. Responde al menos a un compañero argumentando si su función de fitness podría caer en un "mínimo local" (es decir, una solución que parece buena pero no es la óptima).

    • Más información del curso