SILABUS
1. ESPECIFICACIONES GENERALES
Nombre del Curso: INTELIGENCIA ARTIFICIAL
Código del Curso inteligencia
Artificial: 207008
Duración
del Curso: 16
semanas
Número
de créditos: Cuatro
(04)
Prerrequisitos: 205007
– Investigación Operativa I
Semestre
académico: 2015
– 2
Profesor: Hugo
Vega2. INTRODUCCION
La inteligencia artificial es un área de la ciencia de la computación que tiene por objetivo desarrollar los fundamentos prácticos y teóricos para el desarrollo de sistemas de computación que presentan características inteligentes y que por lo general corresponden a problemas intratables. Muchos problemas que ocurren en la industria, servicios y entretenimiento corresponden a problemas inteligentes, y su solución se hace cada vez más indispensable en las organizaciones debido a las exigencias de competitividad que se incrementan cada día.
Entre los diversos tipos de sistemas inteligentes se encuentran los juegos humano-máquina, los sistemas basados en el conocimiento, los sistemas de optimización y machine learning.
En el presente curso, se hace una introducción a la inteligencia artificial y sus aplicaciones en la industria, servicios y entretenimiento, y se muestra como las tecnologías basadas en inteligencia artificial pueden crear valor y hacer que las organizaciones sean más competitivas. También se mostrará sus aplicaciones en la ingeniería de software.
Se aborda con mayor profundidad el diseño e implementación de juego humano-máquina y de sistemas basados en el conocimiento.
3. LOGROS DEL CURSO
Al finalizar el curso el alumno adquirirá conocimientos generales del área de inteligencia artificial, diseñará e implementará juegos de competición humano-máquina basados en inteligencia artificial y sistemas basados en el conocimiento, haciendo uso de manera clara y precisa de las técnicas de búsqueda en un espacio de estado y de la metodología CommonKADS.
4. CONTENIDO POR SEMANAS:
| SEMANA | CONTENIDO | CLASES | TRABAJOS |
|
1°
| Clasificación de problemas algorítmicos
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.
|  |  |
2°
|
Fundamentos de la inteligencia artificial
Definición de la Inteligencia Artificial. Máquina inteligente. Diferenci
a entre sistemas operacionales y sistemas inteligentes. Aplicaciones en
la industria y servicios (robótica, planificación, gestión de
desperdicios). Test de Turing. | | |
3° y 4°
| 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.
Referencias: [1] Capítulos 3 [2] Capítulo 4
| | |
5°
| Métodos de búsqueda ciega
El problema de búsqueda en un espacio
de estado como grafo. La imposibilidad de usar métodos de caminos
mínimos. El concepto de los métodos de búsqueda ciega e informada. El
árbol de estado. Los métodos ciegos: amplitud, profundidad,
no-deterministico. Referencias:
[2] Capítulo 5 | | |
6°
| Métodos de búsqueda informados
La función evaluadora, métodos que usan información adicional: primero
el mejor, ascenso a la colina, A*, ramificación y acotación.
Referencias:
| |  |
7°
| 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:
|
Espacio de Estados
|
Juego Hombre-Máquina
|
8º
| Examen Parcial | | |
9°
| Fundamentos de sistemas expertos
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.
Referencias: | | Labo 1 Prolog |
10°
|
Ingeniería de conocimiento
Introducción. Adquisición de
conocimiento. La metodología C ommonKADS. Diseño de Sistemas Expertos
(SE). Ciclo de vida de un SE.
Referencias: | | |
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: |
|
|
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.
Referencias:
| | |
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 cuantit
ativos 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:
| | |
14°
|
Introducción a Machine Learning y heurísticas
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. El problema de la
optimización combinatoria. 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.
Referencias: | ||
15°
|
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.
| ||
16°
| Examen final |
| |
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 estudiantes desarrollarán dos
trabajos computacionales. Durante las secciones de laboratorio se
estudiará el lenguaje no procedural CLIPS o una variante de LISP y se
evaluará el avance del de los trabajos computacionales.
7. EVALUACIÓN
El Promedio Final (PF) se determina de la forma siguiente:
PF = 0.0125(CL1 + CL2 + CL3 + CL4) + 0.01(TB1 + TB2) + 0.15*LA + 0,30*(EA +EB)
Donde:
CLx: Controles de lectura (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 alumno que presenten 70% o más de
asistencia , esto es 5 faltas están retirados automáticamente del
curso.
8. BIBLIOGRAFÍA
[1] STUART, RUSSELL; PETER, NORVIG
2010 Artificial Intelligence: a modern approach. 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
[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.