El objetivo es implementar un modelo utilizando Python que simule alguno de los 10 Hitos de la IA que presentamos en este curso, además del código el estudiante deberá presentar un trabajo escrito de a lo más 1,000 palabras sobre el planteamiento, desarrollo y conclusiones de su reto Turing.

Todos los alumnos del Colegio de Matemáticas Bourbaki que hayan finalizado nuestro Track de Ciencia de Datos están invitados a participar en él.

‍

A continuación enlistamos los pasos para desarrollar un reto Turing:

‍

1. Contactar al director del programa y contarle la intención de comenzar un reto Turing, en este primer contacto por correo electrónico deberá incluir dos ideas de proyecto inspiradas en el curso De Turing a Chat GPT: 10 hitos de la IA.  
2. Se fijará una reunión con el director del programa quien tendrá una sesión en la que se discutirá con detalle las ideas del alumno junto a algunas referencias pertinentes.
3. El alumno tendrá 1 semana para enviar dos párrafos con el planteamiento oficial del reto turing que comenzará. 
4. Una vez aprobado por el director, se contactará a los profesores que guiarán al alumno durante el reto.
5. A partir de aquí el alumno tendrá 6 semanas para finalizar el reto turing, las reuniones con sus guías serán semanales. 
6. Al finalizar las 6 semanas el alumno le enviará su trabajo a los profesores y a un evaluador externo quienes realizarán correcciones y las enviarán después de una semana. 
7. A partir de ahí el estudiante tiene 1 semana más para realizar las correcciones de su trabajo y de aprobarse estas correcciones el trabajo se publicará en la página del Colegio de Matemáticas Bourbaki.

‍

REFERENCIAS

ENIGMA MACHINE

Proyecto en Cornell para la réplica de Bombe y Enigma.

Reporte del departamento de defensa en USA.

Algunos comentarios matemáticos sobre Bombe.

‍

¿Cuándo aprenderé sobre estos temas?

Uno de los principios en los que se basó el análisis de Turing para descifrar la Enigma fue el cálculo de probabilidades condicionales utilizando la fórmula de Bayes para datos secuenciales. Al terminar el curso de Matemáticas para la Ciencia de Datos los estudiantes estarán familiarizados con este tipo de análisis.

REFERENCIAS

The Legacy of Norbert Wiener: A Centennial Symposium

Cybernetics, Wiener (en Kindle).

El regreso de la cibernética, Nature

Vehículos autónomos y la cibernética. 

‍

¿Cuándo aprenderé sobre estos temas?

En todos los cursos del track se tratarán desde distintos puntos de vista las cadenas de markov y el aprendizaje por refuerzo. Ideas similares a los filtros de Kalman serán revisadas en el curso de Matemáticas para la Ciencia de Datos.

‍

‍

REFERENCIAS

De ELIZA a Siri

Artículo original de Weizenabaum

‍

¿Cuándo aprenderé sobre estos temas?

En todos los cursos hablaremos sobre técnicas de procesamiento del lenguaje natural con las que se podría mejorar un Natural Language UI sin embargo este enfoque no es datadriven y por lo tanto no se estudiarán estas técnicas en el Track de Ciencia de Datos. 

‍

REFERENCIAS

Artículo original

Incorporación del juicio de experto en Machine Learning

Mejora de MYCIN con técnicas bayesianas

‍

¿Cuándo aprenderé sobre estos temas?

Aunque en todos los cursos trataremos problemas relacionados con el área de la salud, en algunos casos utilizando lenguaje natural, en otros imágenes de tejidos o información estructurada, no enseñaremos sistemas expertos al no ser un enfoque data-driven. Sobre la segunda referencia que agregamos, en el curso de Especialización en Deep Learning trataremos Generative Adversarial Networks. 

‍

REFERENCIAS

Causalidad, Judeal Pearl

Mejora de MYCIN con técnicas bayesianas (repetido de MYCIN).

De sistemas expertos a modelos causales.

‍

¿Cuándo aprenderé sobre estos temas?

Tanto la causalidad como las redes bayesianas se tratarán en el curso de Matemáticas para la Ciencia de Datos sin embargo desde el curso de ML & AI for the Working Analyst trataremos algunas intuiciones sobre la inferencia bayesiana en ciencia de datos.

‍

REFERENCIAS

Artículo original LeCun: redes convolucionales.

25 años de redes neuronales convolucionales

Resultados originales con bibliotecas modernas

‍

¿Cuándo aprenderé sobre estos temas?

Aunque desde el curso de ML & AI for the Working Analyst hablaremos de las redes neuronales que procesan las imágenes, las capas convolucionales serán tratadas hasta el curso de Especialización en Deep Learning para la detección de objetos. 

‍

REFERENCIAS

Survey de PageRank

Reporte técnico original

‍

¿Cuándo aprenderé sobre estos temas?

Aunque las cadenas de markov es un tema que trataremos en todos los cursos del Track de Ciencia de Datos. El algoritmo particular de PageRank va a ser estudiado en el curso de Matemáticas para la Ciencia de Datos, en especial durante los módulos de Probabilidad y también en el de Álgebra lineal, en este último será para una aplicación a NLP.

REFERENCIAS

El partido del siglo: Kasparov v.s DeepBlue

Artículo original de AlphaGo y portada de Nature.

Documental de AlphaGo.

‍

¿Cuándo aprenderé sobre estos temas?

El algoritmo que venció a Kasparov utiliza particularmente ideas de Alpha-Beta pruning las cuales serán similares a las de regularización para árboles de decisión que veremos durante el curso de ML & AI for the Working Analyst. 

Las técnicas que utiliza el algoritmo de AlphaGo son una mezcla de Redes neuronales profundas y de aprendizaje por refuerzo. Este tipo de algoritmos los estudiaremos en el curso de Especialización en Deep Learning sin embargo desde los cursos ML & AI for the Working Analyst y Matemáticas para la Ciencia de Datos vamos a estudiar algunos temas pertinentes.

REFERENCIAS

Introducción a Alpha Fold

Artículo original

Aplicaciones de Alpha Fold para Drug Discovery

‍

¿Cuándo aprenderé sobre estos temas?

‍
Nuevamente la mayor parte de las ideas que utiliza AlphaFold serán estudiadas en el curso de Especialización en Deep Learning. Las arquitecturas de Graph Neural Networks serán brevemente estudiadas sin embargo a inicios del 2024 tendremos un curso invitado sobre este tema como parte de nuestras Lecturas en el Colegio de Matemáticas Bourbaki. 

‍

REFERENCIAS

El test de Turing y ChatGPT.

Experimento en el sistema de salud en NY con Chat GPT y el Test de Turing.

Habilidades matemáticas de Chat GPT

‍

¿Cuándo aprenderé sobre estos temas?

Desde la semana tres del curso ML & AI for the Working Analyst vamos a tratar temas del Procesamiento del Lenguaje Natural sin embargo no será hasta el final del curso de Especialización en Deep Learning cuando trataremos los Large Language Models los cuales son la base de Chat GPT, inclusive trataremos algunas técnicas de aprendizaje por refuerzo para este tipo de problemas.