Introducción
I. Breve revisión histórica de la inteligencia computacional. Áreas del conocimiento involucradas y su relación con la inteligencia artificial. El cerebro humano y las limitaciones del cálculo computacional. La importancia y el amplio espectro de aplicaciones de la inteligencia computacional. Introducción a las tres técnicas fundamentales de la inteligencia computacional.
Redes Neuronales
II. Introducción a las redes neuronales. La inspiración biológica: fisiología neuronal básica, redes de neuronas biológicas y escalas de organización estructural del cerebro. Modelos de neurona: la sinapsis, funciones de activación. Generalidades: características de las redes neuronales, clasificación de las arquitecturas neuronales, clasificación de los procesos de aprendizaje, espacio de soluciones, mínimos locales y globales, capacidad de generalización y técnicas de validación cruzada, campos de aplicación.
III. Redes neuronales estáticas. Perceptrón simple: descripción del modelo, ejemplo sencillo de clasificación de patrones, hiperplanos para la separación de clases, entrenamiento y limitaciones. El perceptrón multicapa: formulación matemática del algoritmo de la retropropagación, velocidad de aprendizaje y término de momento, entrenamientos por patrón y por lote, inicialización y criterios de finalización, consideraciones prácticas para la definición de la topología y los parámetros de entrenamiento. Redes neuronales con funciones de base radial: arquitectura, fronteras de decisión, algoritmos de entrenamiento. Mapas auto-organizativos: arquitecturas de una y dos dimensiones, algoritmo de entrenamiento, entorno de adaptación, mapas topológicos, cuantización vectorial con aprendizaje.
IV. Redes neuronales dinámicas. Dinámica temporal en las redes neuronales: concepto y tipos de dinámicas temporales, clasificación general. Redes totalmente recurrentes: red de Hopfield, almacenamiento y recuperación de datos en una memoria asociativa, temple simulado y la máquina de Boltzmann. Redes parcialmente recurrentes: retropropagación a través del tiempo, redes neuronales con retardos en el tiempo, clasificación espacio-temporal, redes de Elman y Jordan.
Sistemas borrosos
V. Introducción a los sistemas borrosos. La borrosidad como multivalencia: incerteza versus aleatoriedad, teoría clásica de conjuntos y conjuntos borrosos, función de membresía. Representaciones del conocimiento basadas en reglas: variables lingüísticas, los sistemas expertos y la lógica borrosa. Características generales y campo de aplicaciones.
VI. Teoría de los conjuntos borrosos. Geometría de los conjuntos borrosos: representación gráfica, membresía, definición de subconjunto borroso. Definición e interpretación gráfica de los operadores borrosos: inclusión, igualdad, complemento, intersección, unión, suma disyuntiva, diferencia. El conjunto medio. Medidas de distancia y distancias relativas. Caracterización de conjuntos borrosos: conjuntos de nivel 
, conjunto convexo, conjunto normal, tamaño de un conjunto borroso. Entropía borrosa, teorema de la entropía borrosa, teorema del subconjunto, teorema entropía-subconjunto.
VII. Memorias asociativas borrosas. Generalidades: memorias asociativas borrosas como mapeos, reglas borrosas simples y compuestas, ejemplos de aproximación de funciones y control borroso. Desde las entradas escalares a los antecedentes de reglas borrosas. Codificación de reglas borrosas: discretización de los conjuntos de entrada y salida, memorias asociativas borrosas hebbianas, codificación por correlación-mínimo, codificación por correlación-producto, teorema de bidireccionalidad. Modelos para la composición de reglas. De los consecuentes borrosos a las salidas escalares: métodos de máximo y centroide borroso. Memorias borrosas bidireccionales y adaptativas. Conjuntos de membresía continuos, representación y composición de varios antecedentes por consecuente. Comparación con la representación del conocimiento mediante redes neuronales y sistemas expertos.
Computación Evolutiva
VIII. Introducción la computación evolutiva. La inspiración biológica: teoría de la evolución, la evolución darwiniana como un algoritmo, Darwin vs. Lamarck, genética básica. La estructura de un algoritmo evolutivo: iniciación de individuos, evaluación de aptitudes, selección de progenitores, variación y reproducción. Generalidades: clasificación de los métodos de computación evolutiva, características generales, búsqueda y optimización de soluciones, algoritmos determinísticos y la importancia de las variables aleatorias, campos de aplicación.
IX. Diseño de un algoritmo evolutivo. Representación de los individuos: espacios del genotipo y fenotipo, representaciones binarias y otros esquemas más generales. Función de aptitud: características necesarias, mapeo del genotipo al fenotipo, ejemplos simples. Mecanismos de selección: importancia de las variables aleatorias, método de la ruleta, método de las ventanas o rangos, método de competencias, elitismo. Operadores elementales de variación: cruzas simples y múltiples, mutaciones, el rol de cada operador en la búsqueda de soluciones. Reproducción: generación de la nueva población de individuos, brecha generacional. Parámetros de funcionamiento: probabilidad de cruza, probabilidad de mutación, tamaño de la población, individuos en la brecha generacional.
X. Variantes de la computación evolutiva. Definiciones y análisis comparativo: algoritmos genéticos, programación genética, estrategias de evolución. Comparación con otras técnicas de optimización y búsqueda: métodos de búsqueda exhaustiva, métodos de gradiente descendiente, método de Monte Carlo y otros métodos de búsqueda aleatoria.
Aplicaciones
XI. Configuración del problema y aplicación de las técnicas de inteligencia computacional en: Clasificación de patrones. Agrupación de patrones. Aproximación de funciones. Optimización. Búsqueda de soluciones. Predicción de series temporales. Control de procesos. Identificación de sistemas. Compresión de señales. Memorias neuronales y borrosas. Interrelaciones de las técnicas de inteligencia computacional.
