{"id":195,"date":"2024-03-26T07:49:10","date_gmt":"2024-03-26T07:49:10","guid":{"rendered":"https:\/\/shatranj.ai\/?page_id=195"},"modified":"2026-02-27T03:28:27","modified_gmt":"2026-02-27T03:28:27","slug":"temas-curriculares","status":"publish","type":"page","link":"https:\/\/shatranj.ai\/es\/temas-curriculares\/","title":{"rendered":"Temas del plan de estudios"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Temas del plan de estudios<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Se puede acceder al plan de estudios del proyecto Shatranj.ai a trav\u00e9s de lms.shatranj.ai<\/a><\/strong><\/p>

A continuaci\u00f3n figuran breves res\u00famenes de los temas del plan de estudios.<\/p>

Lecci\u00f3n 1 - \u00c1mbito y prioridades del curso<\/h1>
  • Presenta el proyecto Shatranj.AI, sus fundaciones Erasmus+, las organizaciones asociadas y las plataformas digitales.<\/li>
  • Visi\u00f3n del proyecto, contexto Erasmus KA2<\/li>
  • Instituciones asociadas y patrimonio cultural<\/li>
  • Visi\u00f3n general de las plataformas (editor, LMS, herramientas de c\u00f3digo)<\/li>
  • Funciones de los profesores y resultados de los alumnos<\/li>
  • Resumen de la estructura del plan de estudios<\/li>
  • Introducci\u00f3n a Python\/Jupyter<\/li><\/ul>

    Lecci\u00f3n 2 - Introducci\u00f3n a la inform\u00e1tica y configuraci\u00f3n de Python<\/h1>
    • Los estudiantes aprenden conceptos inform\u00e1ticos b\u00e1sicos y configuran Python\/Jupyter.<\/li>
    • CPU, RAM, E\/S b\u00e1sicas<\/li>
    • Bits, bytes, representaci\u00f3n binaria<\/li>
    • Instalaci\u00f3n de JupyterLab<\/li>
    • Primera ejecuci\u00f3n del cuaderno Python<\/li>
    • Variables, expresiones simples<\/li>
    • Acceso a las carpetas de Drive<\/li><\/ul>

      Lecci\u00f3n 3 - Tipos de datos de Python<\/h1>
      • Cubre los tipos de datos incorporados y las operaciones b\u00e1sicas de Python.<\/li>
      • Enteros, flotantes, cadenas, booleanos<\/li>
      • Conversi\u00f3n de tipo<\/li>
      • Listas e indexaci\u00f3n<\/li>
      • Conceptos de mutabilidad<\/li>
      • Ejercicios de piezas de ajedrez como cuerdas<\/li><\/ul>

        Lecci\u00f3n 4 - Condicionales, bucles, flujo de control<\/h1>
        • Introduce la l\u00f3gica, los bucles y los programas interactivos.<\/li>
        • L\u00f3gica if\/elif\/else<\/li>
        • Operaciones booleanas<\/li>
        • Bucles for\/while<\/li>
        • Pausa\/continuaci\u00f3n<\/li>
        • Programas de entrada sencillos<\/li><\/ul>

          Lecci\u00f3n 5 - Funciones, \u00e1mbito, par\u00e1metros<\/h1>
          • Ense\u00f1a c\u00f3digo modular con funciones.<\/li>
          • Definici\u00f3n de funciones<\/li>
          • Par\u00e1metros y devoluciones<\/li>
          • \u00c1mbito local\/global<\/li>
          • Lambdas<\/li>
          • Peque\u00f1o proyecto funcional (calculadora de valor pieza)<\/li><\/ul>

            Lecci\u00f3n 6 - Archivos, excepciones, bibliotecas, pruebas<\/h1>
            • Trabajar con archivos y c\u00f3digo robusto.<\/li>
            • Lectura\/escritura de archivos<\/li>
            • Probar\/exceptuar<\/li>
            • Importar bibliotecas<\/li>
            • Pruebas sencillas<\/li>
            • Tratamiento de entradas no v\u00e1lidas<\/li><\/ul>

              Lecci\u00f3n 7 - OOP, Clases, TicTacToe<\/h1>
              • Primer contacto con la programaci\u00f3n orientada a objetos.<\/li>
              • Clases y objetos<\/li>
              • Atributos y m\u00e9todos<\/li>
              • Modelado de juegos<\/li>
              • Aplicaci\u00f3n de TicTacToe<\/li>
              • Depuraci\u00f3n de c\u00f3digo OOP<\/li><\/ul>

                Lecciones 8 - Representaci\u00f3n de tableros de ajedrez y Shatranj<\/h1>
                • Representaciones en el tablero para ajedrez y Shatranj<\/li>
                • Sistemas de coordenadas y estrategias de indexaci\u00f3n<\/li>
                • Estructuras de datos internas para el estado de la placa<\/li>
                • UTF-8 y representaci\u00f3n simb\u00f3lica de piezas<\/li>
                • Integraci\u00f3n con editores de tableros y herramientas de visualizaci\u00f3n<\/li><\/ul>

                  Lecciones 9 - Movimiento de piezas, actualizaciones del estado del juego y condiciones terminales<\/h1>
                  • Reglas de movimiento de piezas en ajedrez y Shatranj<\/li>
                  • Generaci\u00f3n de movimientos legales frente a pseudolegales<\/li>
                  • Actualizaci\u00f3n del estado de la partida tras un movimiento<\/li>
                  • Detecci\u00f3n de control y autocontrol ilegal<\/li>
                  • Detecci\u00f3n de condiciones terminales: jaque mate y tablas<\/li><\/ul>

                    Lecci\u00f3n 10 - Problemas de b\u00fasqueda y recorrido de grafos<\/h1>
                    • Formulaci\u00f3n de problemas de b\u00fasqueda: estados, acciones, transiciones y objetivos<\/li>
                    • Grafos y \u00e1rboles del espacio de estados<\/li>
                    • B\u00fasqueda en profundidad (DFS)<\/li>
                    • B\u00fasqueda BFS (Breadth-First Search)<\/li>
                    • B\u00fasqueda de coste uniforme (UCS)<\/li>
                    • Ejercicios de trazado y visualizaci\u00f3n de gr\u00e1ficos<\/li>
                    • Ejemplos sencillos de ajedrez y cuadr\u00edculas<\/li><\/ul>

                      Lecciones 11 - B\u00fasqueda heur\u00edstica y \u00e1rboles de juegos adversarios<\/h1>
                      • Funciones heur\u00edsticas y b\u00fasqueda informada<\/li>
                      • Admisibilidad y coherencia<\/li>
                      • B\u00fasqueda A<\/li>
                      • B\u00fasqueda adversarial y \u00e1rboles de juegos<\/li>
                      • Funciones de evaluaci\u00f3n de los estados del juego<\/li>
                      • B\u00fasqueda minimax<\/li>
                      • Expectiminimax para entornos estoc\u00e1sticos e inciertos<\/li>
                      • Poda alfa-beta y mejoras de rendimiento<\/li>
                      • Funciones de evaluaci\u00f3n de los estados del juego<\/li>
                      • Ejemplos de adversarios basados en el ajedrez<\/li><\/ul>

                        Lecci\u00f3n 12 - Recorrido a caballo (Recorrido del caballero)<\/h1>
                        • Explora la Vuelta de Caballero con recursividad y heur\u00edstica.<\/li>
                        • Movimiento gr\u00e1fico del caballero<\/li>
                        • Visitas abiertas\/cerradas<\/li>
                        • Retroceder con DFS<\/li>
                        • Heur\u00edstica de Warnsdorff<\/li>
                        • Conexi\u00f3n al TSP<\/li><\/ul>

                          Lecci\u00f3n 13 - Puzzle de las ocho reinas<\/h1>
                          • Satisfacci\u00f3n de restricciones con backtracking.<\/li>
                          • L\u00f3gica de ataque a la reina<\/li>
                          • B\u00fasqueda recursiva<\/li>
                          • T\u00e9cnicas de optimizaci\u00f3n<\/li>
                          • Referencias hist\u00f3ricas de reinas<\/li>
                          • Implantaci\u00f3n de port\u00e1tiles<\/li><\/ul>

                            Lecci\u00f3n 14 - Problema del trigo y el tablero de ajedrez<\/h1>
                            • Enigmas matem\u00e1ticos y crecimiento exponencial.<\/li>
                            • Doblar en el tablero de ajedrez<\/li>
                            • Potencias de 2<\/li>
                            • Rompecabezas en movimiento tipo Monte Fuji utilizados en entrevistas, rompecabezas de matem\u00e1ticas aplicadas<\/li>
                            • Cuadrados m\u00e1gicos<\/li>
                            • Puzzles de l\u00f3gica Smullyan<\/li>
                            • Problemas de baldosas Knight y otros problemas de baldosas en la cuadr\u00edcula<\/li><\/ul>

                              Lecci\u00f3n 15 - L\u00f3gica Minimax, Alfa-Beta, Jaque Mate<\/h1>
                              • B\u00fasqueda adversarial profunda y finales de ajedrez.<\/li>
                              • C\u00e1lculo de m\u00ednimos<\/li>
                              • Poda alfa-beta<\/li>
                              • Oposici\u00f3n, triangulaci\u00f3n<\/li>
                              • Fuentes hist\u00f3ricas (Al-Adli, Reti)<\/li><\/ul>

                                Lecci\u00f3n 16 - El diamante de Suli (Estudio del final hist\u00f3rico)<\/h1>
                                • An\u00e1lisis hist\u00f3rico de finales de ajedrez, bases de tablas de finales, programaci\u00f3n din\u00e1mica, hashing<\/li>
                                • Biograf\u00eda de Al-Suli<\/li>
                                • Reconstrucci\u00f3n del final de la partida<\/li>
                                • Oposici\u00f3n y triangulaci\u00f3n<\/li>
                                • Teor\u00eda de los cuadrados correspondientes<\/li>
                                • Programaci\u00f3n din\u00e1mica c\u00f3digo soluci\u00f3n al dilema de los 1000 a\u00f1os en C\/C++<\/li>
                                • Inspecci\u00f3n de la soluci\u00f3n en play.shatranj.ai y tambi\u00e9n a trav\u00e9s de los tableros ascii de los cuadernos<\/li><\/ul>

                                  Lecci\u00f3n 17 - Personalizaci\u00f3n de Stockfish para jugar a Shatranj, Rybka-Deep Blue-Stockfish Story<\/h1>

                                  Explora c\u00f3mo evolucionaron los motores de ajedrez modernos y c\u00f3mo los motores de c\u00f3digo abierto pueden adaptarse a las variantes hist\u00f3ricas.<\/p>

                                  • B\u00fasqueda por hardware de fuerza bruta de Deep Blue<\/li>
                                  • Rybka y el auge de los motores centrados en la evaluaci\u00f3n<\/li>
                                  • Stockfish como motor abierto impulsado por la comunidad<\/li>
                                  • C\u00f3mo representa Stockfish las piezas, los movimientos y las reglas<\/li>
                                  • Modificaci\u00f3n del movimiento de la pieza (ferz, wazir), evaluaci\u00f3n, normas de legalidad<\/li>
                                  • B\u00fasqueda y evaluaci\u00f3n compatibles con Shatranj<\/li><\/ul>

                                    Lecci\u00f3n 18 - Fundamentos del aprendizaje por refuerzo: Gridworld, programaci\u00f3n din\u00e1mica y complejidad<\/h1>

                                    Introduce el aprendizaje por refuerzo (RL) resolviendo un peque\u00f1o mundo cuadriculado exactamente cuando se conocen las reglas, y luego muestra por qu\u00e9 este enfoque \u201comnisciente\u201d se rompe en juegos grandes como el ajedrez.<\/p>

                                    • Bucle agente-entorno; estados, acciones, recompensas, episodios; factor de descuento \u03b3.<\/li>
                                    • Evaluaci\u00f3n de pol\u00edticas (\u201crobot a la deriva\u201d) e iteraci\u00f3n de valores (\u201ccazador de tesoros\u201d) mediante respaldos de Bellman.<\/li>
                                    • Propagaci\u00f3n visual del valor y derivaci\u00f3n de una pol\u00edtica \u00f3ptima a partir de la funci\u00f3n de valor.<\/li>
                                    • La maldici\u00f3n de la dimensionalidad: complejidad del espacio de estados frente a complejidad del \u00e1rbol de juegos; motivaci\u00f3n del n\u00famero de Shannon.<\/li>
                                    • Los \u201cjuegos gigantes\u201d hist\u00f3ricos (por ejemplo, el ajedrez Tamerl\u00e1n, el Go) como contexto para explicar por qu\u00e9 es necesario aprender.<\/li><\/ul>

                                      Lecci\u00f3n 19 - La torre congelada: Q-Learning tabular en FrozenLake<\/h1>

                                      Pasa de la planificaci\u00f3n al aprendizaje: el agente comienza sin mapa y aprende una pol\u00edtica por ensayo y error utilizando el aprendizaje Q tabular.<\/p>

                                      • Formule FrozenLake\/Frozen Rook como un MDP: S, A, R, P, estados terminales, \u03b3.<\/li>
                                      • Regla de actualizaci\u00f3n Q-learning y exploraci\u00f3n \u03b5-greedy (programa de exploraci\u00f3n\u2192explotaci\u00f3n).<\/li>
                                      • Entrenar un agente en Gymnasium FrozenLake; comparar transiciones deterministas vs deslizantes.<\/li>
                                      • Inspeccione lo aprendido mediante mapas t\u00e9rmicos de tablas Q \/ flechas de pol\u00edticas; ajuste \u03b1, \u03b3, \u03b5 y recuentos de episodios.<\/li>
                                      • Lecciones de escalado: recompensas dispersas, cr\u00e9dito diferido y por qu\u00e9 los mapas m\u00e1s grandes son m\u00e1s dif\u00edciles.<\/li><\/ul>

                                        Lecci\u00f3n 20 - Jaque mate de dos torres contra rey solitario: El aprendizaje por diferencia temporal en la pr\u00e1ctica<\/h1>

                                        Aplica el aprendizaje Q a un peque\u00f1o final de ajedrez y hace que la base de c\u00f3digo RL sea \u201creal\u201d separando el cuaderno de experimentos de los m\u00f3dulos de aprendizaje y entrenamiento.<\/p>

                                        • Aprendizaje por diferencia temporal (TD): identificar el error TD dentro de la actualizaci\u00f3n Q-learning; por qu\u00e9 se actualiza TD durante el juego.<\/li>
                                        • Por qu\u00e9 el aprendizaje de Montecarlo es demasiado lento para juegos de recompensa retardada similares al ajedrez.<\/li>
                                        • Pila de ingenier\u00eda: rl.py (actualizaci\u00f3n de Q-memory + TD), trainer.py (bucle de episodios, programa de exploraci\u00f3n), cuaderno como el laboratorio.<\/li>
                                        • Codificar posiciones de ajedrez como estado legible por m\u00e1quina (FEN) y entrenar a un agente tabular en un espacio de estados de final de partida\/puzzle acotado.<\/li>
                                        • L\u00edmites: por qu\u00e9 fallan los m\u00e9todos tabulares para el ajedrez completo (maldici\u00f3n de la dimensionalidad) y necesidad de aproximaci\u00f3n de funciones.<\/li><\/ul>

                                          Lecci\u00f3n 21 - Redes Q profundas: De las tablas Q a las redes neuronales<\/h1>

                                          Introduce la aproximaci\u00f3n de funciones para RL sustituyendo la tabla Q por una red neuronal (DQN) y aplic\u00e1ndola a varios peque\u00f1os juegos de mesa.<\/p>

                                          • Por qu\u00e9 las tablas Q no son escalables: demasiados estados; la generalizaci\u00f3n requiere un modelo que pueda \u201cadivinar\u201d valores para posiciones no vistas.<\/li>
                                          • Bucle de entrenamiento Deep Q-Network (DQN): b\u00fafer de repetici\u00f3n, red de destino, actualizaciones de minilotes, \u03b5-decay.<\/li>
                                          • Implementar y experimentar con DQN en juegos como Connect-4 (4Connect), Fox & Hounds y Othello\/Reversi.<\/li>
                                          • Diagn\u00f3stico: curvas de aprendizaje, problemas de estabilidad (sobreestimaci\u00f3n, divergencia) y mitigaciones pr\u00e1cticas.<\/li>
                                          • Comparar enfoques: DQN frente a la evaluaci\u00f3n de estilo NNUE y la evaluaci\u00f3n artesanal (HCE) para debatir las ventajas y desventajas de la arquitectura.<\/li><\/ul>

                                            Lecci\u00f3n 22 - Monte Carlo Rollouts y MCTS en Qirkat<\/h1>

                                            Construye un entorno Qirkat completo y, a continuaci\u00f3n, pasa de la distribuci\u00f3n aleatoria a la b\u00fasqueda en \u00e1rbol Monte Carlo (MCTS) completa con selecci\u00f3n UCT.<\/p>

                                            • Implementar la columna vertebral de las reglas Qirkat (tablero de 5\u00d75, C3 vac\u00edo) y la regla de captura m\u00e1xima que fuerza secuencias de captura.<\/li>
                                            • Generaci\u00f3n de movimientos que enumera las l\u00edneas de captura, impone la captura obligatoria y filtra las capturas de longitud m\u00e1xima.<\/li>
                                            • L\u00edneas de base Monte Carlo: rollouts aleatorios y evaluaci\u00f3n de movimientos Monte Carlo planos antes de a\u00f1adir la reutilizaci\u00f3n de \u00e1rboles.<\/li>
                                            • MCTS pipeline: selecci\u00f3n, expansi\u00f3n, rollout\/evaluaci\u00f3n, backpropagation; UCT\/visit-count final move choice.<\/li>
                                            • Registros de juego reproducibles y herramientas de auditor\u00eda para la reproducci\u00f3n y depuraci\u00f3n paso a paso.<\/li><\/ul>

                                              Lecci\u00f3n 23 - AlphaZero sobre Otelo\/Reversi<\/h1>

                                              Actualiza MCTS en la b\u00fasqueda de estilo AlphaZero mediante la adici\u00f3n de una red neuronal que proporciona una pol\u00edtica previa y una estimaci\u00f3n de valor, a continuaci\u00f3n, se entrena a trav\u00e9s de auto-juego.<\/p>

                                              • Aplique la intuici\u00f3n con una peque\u00f1a demo \u2018Connect2\u2019 AlphaZero y, a continuaci\u00f3n, traslade las ideas a Othello.<\/li>
                                              • Sustituir UCT por PUCT: combinar las estad\u00edsticas de visitas con una pol\u00edtica aprendida antes de la exploraci\u00f3n de gu\u00edas.<\/li>
                                              • Cabezas de red neuronal: pol\u00edtica (probabilidades de movimiento) y valor (evaluaci\u00f3n de la posici\u00f3n) utilizados en lugar de tiradas aleatorias.<\/li>
                                              • Bucle AlphaZero: juego propio \u2192 objetivos de entrenamiento (\u03c0, z) \u2192 actualizaci\u00f3n de la red \u2192 repetici\u00f3n; evaluaci\u00f3n mediante partidos de torneo\/registros.<\/li>
                                              • Codificaci\u00f3n de movimientos en funci\u00f3n de la ruta para secuencias de captura de longitud variable, de modo que las distintas rutas de captura permanezcan diferenciadas.<\/li><\/ul>

                                                Lecci\u00f3n 24 - AlphaZero en Qirkat: PUCT, redes de pol\u00edtica\/valor y juego por cuenta propia<\/h1>

                                                Actualiza MCTS en la b\u00fasqueda de estilo AlphaZero mediante la adici\u00f3n de una red neuronal que proporciona una pol\u00edtica previa y una estimaci\u00f3n de valor, a continuaci\u00f3n, se entrena a trav\u00e9s de auto-juego.<\/p>

                                                • Une la intuici\u00f3n con una peque\u00f1a demo de \u2018Connect2\u2019 AlphaZero, y luego traslada las ideas a Qirkat.<\/li>
                                                • Sustituir UCT por PUCT: combinar las estad\u00edsticas de visitas con una pol\u00edtica aprendida antes de la exploraci\u00f3n de gu\u00edas.<\/li>
                                                • Cabezas de red neuronal: pol\u00edtica (probabilidades de movimiento) y valor (evaluaci\u00f3n de la posici\u00f3n) utilizados en lugar de tiradas aleatorias.<\/li>
                                                • Bucle AlphaZero: juego propio \u2192 objetivos de entrenamiento (\u03c0, z) \u2192 actualizaci\u00f3n de la red \u2192 repetici\u00f3n; evaluaci\u00f3n mediante partidos de torneo\/registros.<\/li>
                                                • Codificaci\u00f3n de movimientos en funci\u00f3n de la ruta para secuencias de captura de longitud variable, de modo que las distintas rutas de captura permanezcan diferenciadas.<\/li><\/ul>

                                                  Lecci\u00f3n 25 - Damas turcas (Dama):<\/h1>

                                                  Alfa-Beta, MCTS guiados por la PUCT, Alfa Cero<\/h1>

                                                  Implementa Turkish Checkers y compara la b\u00fasqueda cl\u00e1sica (alfa-beta) con MCTS utilizando un match runner reutilizable y registros de simulaci\u00f3n por lotes.<\/p>

                                                  • Motor de juego: representaci\u00f3n del tablero, jugadas legales con capturas multisalto y codificaci\u00f3n de la ruta de movimiento.<\/li>
                                                  • Funci\u00f3n de evaluaci\u00f3n m\u00e1s agente de b\u00fasqueda Negamax\/Alpha-Beta; compromiso entre profundidad y fuerza.<\/li>
                                                  • Agente MCTS para Turkish Checkers y comparaciones cara a cara contra alfa-beta.<\/li>
                                                  • Corredor universal de partidos (play_game) y utilidades de simulaci\u00f3n por lotes para experimentos reproducibles.<\/li>
                                                  • Registros exportables (comprimidos) para revisi\u00f3n y depuraci\u00f3n en clase.<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                                                    \n\t\t\t\t
                                                    \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

                                                    Shatranj.ai project curriculum can be accessed through lms.shatranj.ai Below are the short summaries of topics within the curriculum. Lesson 1 \u2013 Course Scope and Priorities Introduces the Shatranj.AI project, its Erasmus+ foundations, partner organizations, and digital platforms. Project vision, Erasmus KA2 context Partner institutions and cultural heritage focus Overview of platforms (editor, LMS, code tools) […]<\/p>\n","protected":false},"author":11,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-195","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/pages\/195","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/comments?post=195"}],"version-history":[{"count":12,"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/pages\/195\/revisions"}],"predecessor-version":[{"id":820,"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/pages\/195\/revisions\/820"}],"wp:attachment":[{"href":"https:\/\/shatranj.ai\/es\/wp-json\/wp\/v2\/media?parent=195"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}