Tópicos Selectos en Inteligencia Artificial: Redes Complejas y Aprendizaje Computacional
Objetivo:
En el curso se estudian algoritmos para el análisis y modelado de redes complejas, así como para el aprendizaje automático de estrategias en juegos complejos. Y las relaciones entre ambas temáticas.
Para el modelado formal de redes complejas un objetivo fundamental es analizar las interacciones entre nodos (individuos), y las estructuras emergentes a partir de la interacción, considerando parámetros como cercanía, condiciones de cohesión y agrupamiento, diámetros y centralidad. Se estudian los modelos y algoritmos de simulación para redes complejas, clásicas y emergentes. Asimismo, para automatizar juegos de estrategia como el Go (de tablero), se requieren algoritmos de aprendizaje para el reconocimiento de patrones, paralelos y distribuidos, de colaboración y competencia, de correlación entre lo local y lo global. Ambos, redes y juegos complejos son marco de desarrollo y prueba de algoritmos relevantes en la Inteligencia Computacional con aplicaciones en problemas científicos actuales.
Contenido
1. Redes complejas:
a. Conceptos básicos y ejemplos:
I. Agrupamiento, centralidad, cohesión, diámetro.
II. Redes de mundo pequeño.
b. Redes libres de escala.
c. Redes modeladas con una ecuación maestra:
I. Distribución del grado entre nodos.
II. Comportamiento cíclico.
2. Juegos
a. Estratégicos:
I. De múltiples jugadores.
II. De tablero.
b. En forma normal.
c. Competitivos, cooperativos.
d. Serios.
e. El concepto de equilibrio en juegos:
I. El equilibrio de Nash
II. El equilibrio Kantiano
III. Teoría del valor de Shapley para coaliciones.
IV. Ejemplo: Football Americano.
3. Algoritmos de aprendizaje con redes neuronales de:
a. Retro-propagación.
b. Asociativas.
c. Estocásticas: de Hopfield y de Ising.
d. Con estadísticas.
e. Con funciones de distribución de probabilidad.
f. Auto-organizadas de Kohonen.
g. Ejemplo: el juego de Go.
I. Tácticas y estrategias.
II. Razonamiento estratégico.
4. Inteligencia computacional en redes y juegos complejos:
a. Sistemas de multi-procesamiento:
I. Distribución de tareas.
II. Balance de carga.
b. Redes sociales:
I. Estructuras
II. Grupos.
III. Jerarquías.
5. Referencias
a. Nisan, T. Roughgarden, E. Tardos, and V.V. Vazirani, Algorithmic Game Theory, Cambridge University Press, 2007.
b. Nathan Sturtevant, Multi-Player Games: Algorithms and approaches, PhD Thesis, University of California, LA, 2003.
c. Myers, R., Game Theory: Analysis of Conflict. Harvard University Press, 1991.
d. Alvarado M., Yee, A. and Fernández, J., Simulation of American Football Gaming. In CCCS 2013, International Conference on Sport Science and Computer Science, Hong Kong, 2013.
e. Yee, A. and Alvarado, M., Pattern Recognition and Monte CarloTree Search for Go Gaming Better Automation. In IBERAMIA 2012: LNCS 7637, pp 11-20.
f. Rojas, R. Neural Networks: a systematic study. Springer Verlag.
g. R. Alvarez-Martínez, G. Cocho, R. F. Rodríguez, G. Martínez-Mekler. Birth and Death Master Equation for the Evolution of Complex Networks. Elsevier, 2013
6. Preferentemente saber los fundamentos de:
a. Diseño de algoritmos, o
b. Autómatas de estados finitos y lenguajes formales.
