1. ESPECIFICACIONES GENERALES
Nombre del Curso : INTELIGENCIA
ARTIFICIAL
Código del Curso : 207008
Duración del Curso : 17 semanas
Forma de Dictado : Técnico - experimental
Horas semanales : Teoría: 3h – Laboratorio: 2h
Naturaleza : Formación profesional
Número de créditos : Cuatro (04)
Prerrequisitos : 205007 – Investigación Operativa I
Semestre académico : 2012 – 1
Coordinador : Hugo Vega Huerta
Profesores : Hugo Vega Huerta
2. SUMILLA
La Inteligencia Artificial, conceptos, paradigmas y
aplicaciones en la industria y servicios. Representación del
conocimiento. Representación de problemas de IA como
búsqueda en el espacio de estado. Métodos de búsqueda ciegos
e informados. Juegos inteligentes hombre-máquina. Sistemas
expertos, arquitectura, taxonomía y aplicaciones. Motor de
Inferencia. Ingeniería de conocimiento, conceptos,
evolución, Metodología CommonKADS. Calidad y Validación de
Sistemas Expertos, Introducción a Machine Learning
(Aprendizaje Automático) y heurísticas.
3. OBJETIVO GENERAL
Los estudiantes adquirirán conocimientos del área de
Inteligencia Artificial en general y desarrollarán
aspectos básicos en el desarrollo de juegos inteligentes
y de sistemas expertos, y su aplicación en la resolución
de problemas inteligentes en los sectores de la
industria y de servicios.
4. OBJETIVOS ESPECÍFICOS
Al terminar el curso el alumno será capaz de:
1. Comprender que es la Inteligencia Artificial y la
complejidad de sus problemas.
2. Representar y resolver problemas de juego humano -
máquina a través de técnicas de búsqueda en un espacio
de estado.
3. Conocer las diferentes estrategias de búsqueda a
ciegas e informados.
4. Diseñar y desarrollar software de juegos inteligentes
con interacción hombre-máquina y que usen técnicas de
inteligencia artificial.
5. Comprender qué son los sistemas expertos y saber
cuándo usarlos.
6. Conocer que es la Ingeniería de Conocimiento y un
método para el desarrollo de sistemas basados en el
conocimiento
7. Evaluar la calidad de la solución de sistemas
expertos.
8. Diseñar y desarrollar sistemas expertos basados en
diversos motores de inferencias (métodos de
encadenamiento), considerando criterios de calidad.
9. Conocer los conceptos de machine learning y de
heurísticas, su importancia y sus aplicaciones en la
industria y servicios.
5. SILABO
|
SEMANA |
TEMAS |
TRABAJOS TEORÍA |
TRABAJOS LABORATORIO |
| 1 |
Clasificación de Problemas
Algorítmicos...
(Ver.: Inglés)
-
Presentación del curso.
-
Clasificación de problemas
algorítmicos, problemas P y NP.
-
Problemas de decisión,
localización y optimización.
-
Descripción de algunos
problemas NP-difícil.
Referencias:
[4] Capítulo 1, [1] Anexo A.
|
Clasificación de Problemas Algorítmicos
|
Resolución -
Manual Lips
|
| 2 |
Fundamentos de la Inteligencia
Artificial
...
(Ver.: Inglés)
-
Definición de la
Inteligencia Artificial. Máquina inteligente.
-
Diferencia entre sistemas
operacionales y sistemas inteligentes.
-
Aplicaciones en la
industria y servicios (robótica, planificación,
gestión de desperdicios). Test de Turing.
|
Fundamentos de la Inteligencia
Artificial
|
|
| 3 |
Representación de problemas de
juego humano - máquina como búsqueda en un espacio de
estado
-
Definición de problemas de
la IA como problemas de búsqueda en un espacio
de estado.
-
Representación de
problemas de juegos humano – máquina.
|
Representación de problemas de
juego humano - máquina como búsqueda en un espacio de
estado
|
Problema del Zorro, la Gallina y el Maiz
|
|
4 |
Métodos de
búsqueda a ciegas ...
(Ver.: Inglés)
Métodos de búsqueda ciega: amplitud, profundidad y no determinista. Evaluación de temas del 1er trabajo.
Tareas: ejercicios sobre resolución de problemas mediante métodos ciegos. Definir el problema del 1er trabajo como problema de búsqueda, y su historia.
Referencias:
[1] Capítulo 4, [2] Capítulos 4, [3] Capítulo 3, [4] Capítulos 4.
|
Métodos de
búsqueda a ciegas
|
|
| 5 |
Método de Búsqueda Informado
...
(Ver.: Inglés)
-
La función evaluadora,
métodos que usan información adicional: primero
el mejor, ascenso a la colina, A*, ramificación
y acotación
|
Método de Búsqueda Informado
|
|
| 6 |
Métodos de búsqueda para juegos humano-máquina
-
Algoritmo de juego humano
– máquina.
-
Estrategias de juego de
máquina: no determinístico, primero el mejor,
min-max y mejor diferencia de utilidades.
-
Algoritmo min-max y
alfa-beta
Referencias:
[1] Capítulo 5, [2] Capítulos 6, [3] Capítulos 4,
[4] Capítulos 6, [9] Capítulos 12.
2do control
de lectura
|
Métodos de búsqueda para juegos humano-máquina
|
|
| 7 |
Fundamentos de sistemas expertos
...
(Ver.: Inglés)
-
Definición de Sistemas
Expertos.
-
Arquitectura de un sistema
experto.
-
Taxonomía y aplicaciones
de los sistemas expertos.
-
Requisitos para el
desarrollo de sistemas expertos y ventajas del
uso de sistemas expertos.
-
Algunos problemas basados
en el conocimiento.
|
Fundamentos de sistemas expertos |
TRES EN RAYA
|
| 8 |
Examen Parcial
|
Solucionario del
Examen Parcial 2011
Solucionario del
Examen Parcial 2010
|
Solucionario del
Examen Parcial 2012
|
| 9 |
Presentación de trabajos computacionales
-
Los alumnos mostrarán sus
habilidades en cuanto al desarrollo de software
de juegos inteligentes basados en técnicas de
búsqueda. Se deberá presentar un informe y un
software, y deberán exponer sus trabajos.
|
|
Arbol Genealogico
Arbol Genealogico - Prolog
|
| 10 |
Ingeniería de conocimiento
-
Introducción.
-
Adquisición de
conocimiento.
-
La metodología CommonKADS.
-
Diseño de Sistemas
Expertos (SE).
-
Ciclo de vida de un SE.
|
Ingeniería del Conocimiento |
Práctica de Prolog - ENEMIGOS
|
| 11 |
Adquisición de Conocimiento
-
Adquisición de
conocimiento. Construcción de la base de hechos
y base de conocimiento.
-
Estructuras de
representación de conocimientos (reglas de
inferencias, frames, objects, ontologías,
metadatos, thesaurus).
Referencias:
[6] Capítulos 6, [7] Capítulos 19.
3er control
de lectura.
|
Adquisición de Conocimiento |
|
| 12 |
Desarrollo de sistemas expertos basados en reglas
-
Construcción de la base de
hechos y base de conocimiento.
-
El motor de inferencia.
-
Los métodos de
encadenamiento regresivo, progresivo y
reversibilidad.
-
Técnicas de equiparación,
el algoritmo RETE.
-
Técnicas de resolución de
conflictos
|
|
|
| 13 |
Calidad y validación de sistemas expertos
-
Principales errores en el
desarrollo de un sistema experto.
-
Calidad de un sistema
experto.
-
Validación de sistemas
inteligentes, métodos cuantitativos de
validación.
-
Eficiencia y error de
sistemas expertos.
-
Revisión de la funcionalidad del SE del
2do trabajo.
-
Tareas: ejercicios sobre
calidad y validación de SE, validar el sistema
propuesto del 2do trabajo.
Referencias:
[4], [7] Capítulo 21.
4to control
de lectura.
|
|
|
| 14 |
Introducción a Machine Learning.
-
Conceptos de aprendizaje y
de machine learning.
-
Sistemas experto vs
machine learning.
-
Técnicas de aprendizaje y
fases de desarrollo de machine learning.
-
Aplicaciones de machine
learning en la industria y servicios.
|
|
|
| 15 |
Introducción a heurísticas y meta-heurísticas.
-
El problema de la
optimización combinatoria.
-
Complejidad de de
problemas combinatorios
-
Conceptos de heurísticas y
meta-heurísticas.
-
Algoritmos exactos vs
algoritmos heurísticos.
-
Técnicas heurísticas y
meta-heurísticas
-
Problemas de optimización
combinatoria en la industria y servicios.
|
|
|
| 16 |
Presentación de trabajos computacionales
-
Los alumnos mostrarán sus
habilidades en cuanto al desarrollo de sistemas
expertos y sus aplicaciones en los sectores de
la industria y servicio. Los alumnos presentarán
un informe y un software.
|
|
Sistema_Experto_SALUD
Arbol de conocimiento - Sistema Experto de SALUD
|
| 17 |
Examen Final |
Solucionario del
Examen Final 2011
Solucionario del
Examen Final 2010
|
Solucionario del
Examen Final 2012
|
6. METODOLOGÍA
El curso se desarrolla a través de
actividades teórico - Prácticas, dando énfasis a
aplicaciones en la industria y servicios. Los estudiantes,
organizados en equipos de 3 desarrollarán dos trabajos
computacionales. Durante las sesiones de teoría se
discutirán la resolución de problemas propuestos. Durante
las sesiones de laboratorio se evaluarán las lecturas así
como el avance de los trabajos computacionales.
7. EVALUACIÓN
El promedio final (PF) se determina de la
forma siguiente:
PF = 0.025(CL1+CL2+CL3+CL4) +
0.075(TB1+TB2) + 0.15*LA + 0.30*(EA+EB)
Donde:
CLx: Controles de Lecturas (CL1, CL2, CL3
y CL4)
TB1:Trabajo Grupal (Juegos Inteligentes
Hombre - Máquina)
TB2: Trabajo Grupal (Sistemas expertos)
EA: Examen Parcial
EB: Examen Final
LA: Laboratorio
El alumno podrá sustituir la nota
del examen parcial o final siempre que no haya podido dar
alguno de estos exámenes. Solo
serán evaluados los alumnos que presenten 70% o más de
asistencias.
8. BIBLIOGRAFÍA
[1] STUART, RUSSELL; PETER, NORVIG
1996 Inteligencia artificial, un enfoque moderno. Ed.
Prentice Hall.
ISBN 0-13-103805-2
[2] PATRICK, WINSTON
1984 Inteligencia artificial. Ed. Addison-Wesley
ISBN 0-201-51876-7
[3] ELAINE, RICH
1988 Inteligencia artificial. Ed McGraw-Hill
ISBN 0-07-450364-2
[4] DAVID, MAURICIO
2009 Apuntes de inteligencia artificial.
[5] BONIFACIO, MARTIN; ALFREDO, SANZ
2002 Redes neuronales y sistemas difusos. Ed. Alfaomega
ISBN 84-7897-466-0
[6] JOSEPH GIARRATANO – GARY RILEY
2001 Sistemas expertos, principios y programación. Ed.
Ciencias Thomson
ISBN 970-686-059-2 5/5
[7] JOSÉ PALMA M., ROQUE MARIN M.
2008 Inteligencia artificial, técnicas métodos y
aplicaciones. Ed. Mc Graw Hill
ISBN 978-84-484-5618-3
[8] JOSE R. HILERA, VICTOR J. MARTINE.
2000 Redes neuronales artificiales, fundamentos, modelos
y aplicaciones. Ed. Alfaomega – rama
ISBN 978-84-484-5618-3
[9] NILS J. NILSON
2001 Inteligencia artificial, una nueva síntesis. Ed. Mc
Graw Hill
ISBN 978-84-484-5618-3
[10] CAMPELO Ruy; MACULAN Nelson. 1994, Algoritmos e
Heurísticas. Ed. Universidad Federal Fluminense. GLOVER
Fred; KOCHENBERGER Gary A.
[11] 2003 HandBook of Metaheuristic. Kluwer
International Series.
Las lecturas obligatorias serán proporcionadas por el
profesor del curso.
canalchat.org
|
|
|
.png "Ingles"){kind=small}
