Inteligencia Artificial Hugo Vega 2012

 
                                               UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)


FACULTAD DE INGENIERIA DE SISTEMAS E INFORMÁTICA

Escuela Académico Profesional de Ingeniería de Sistemas

SILABO


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 Huertas

 

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. Sistemas inteligentes.

 

3. OBJETIVO GENERAL

La Inteligencia Artificial es una de las áreas de la ciencia de la computación que presenta grandes expectativas de desarrollo, debido a su diversidad de aplicaciones en la industria, en los sectores de educación, servicios y, ciencia y tecnología.

El presente curso visa introducir el área de inteligencia artificial, la representación del conocimiento, los métodos básicos para la resolución de problemas y sus principales aplicaciones en el contexto de la demanda nacional, dando énfasis al estudio y desarrollo de juegos y sistemas expertos.

 

4. OBJETIVOS ESPECÍFICOS

  • Representar el conocimiento mediante técnicas ad hoc tales como redes semánticas, predicados, y listas.
  • Representar y resolver problemas determinada clase de problemas de la Inteligencia Artificial  mediante las técnicas de búsqueda en un espacio de estados.
  • Diseñar y desarrollar software de juegos inteligentes hombre-máquina que usen técnicas de la Inteligencia Artificial.
  • Diseñar y desarrollar sistemas expertos basados en diversos motores de inferencia (métodos de encadenamiento y redes neuronales artificiales).
  • Presentar los fundamentos de los sistemas inteligentes y sus diversas aplicaciones, así como establecer las diferencias respecto de los métodos basados en búsqueda y los sistemas expertos.

5. CONTENIDO ANALÍTICO POR SEMANAS:

 

Semana Teoría Laboratorio
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.
  • Tareas: ejercicios sobre clasificación de problemas algorítmicos. Referencias: [4] Capítulo 1, [1] Anexo A.
 
2
Fundamentos de la inteligencia artificial
  • 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.
  • Tareas: conceptos y aplicaciones de la IA. Referencias: [1] Capítulo 1, [2] Capítulo 1, [9] Capítulo 1.
3



  • Definición de problemas de la IA como problemas de búsqueda en un espacio de estado. Representación de problemas de juegos humano - máquina.
  • Tareas: ejercicios sobre representación de problema de raciocinio y de juego humano - máquina.Definición del tema del 1er trabajo.  
  • Referencias: [1] Capítulos 3, [3] Capítulo 2, [4] Capítulo 3.1er control de lectura 
Problemas Adicionales
 Problema del Campesino
4
Métodos de búsqueda a ciegas (2.5 h)
  • 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.
 

5
Métodos de búsqueda informados (3.5 h)
  • La función evaluadora, métodos que usan información adicional: primero el mejor, ascenso a la colina, A*, ramificación y acotación.
  • Tareas: ejercicios sobre resolución de problemas mediante métodos informados. Definir una función evaluadora e interfaces para el problema del 1er trabajo.
  • Referencias: [1] Capítulo 4, [2] Capítulo 5, [3] Capítulo 3, [4] Capítulos 5, [9] Capítulos 9
  • 2do control de lectura
 
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.
  • Tareas: Ejercicios sobre juego humano máquina. Implementar el algoritmo de juego humano máquina con 3 niveles de dificultad (principiante, normal y experto).
  • Referencias: [1] Capítulo 5, [2] Capítulos 6, [3] Capítulos 4, [4] Capítulos 6, [9] Capítulos 12.
 
7
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.
 
8






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.
  • Tareas: Ejercicios sobre taxonomía de sistemas expertos. Definir tema del 2do trabajo.
  • Referencias: [6] Capítulo 1
 

10
Ingeniería de conocimiento (5.5 h)
  • Introducción. Adquisición de conocimiento. La metodología CommonKADS. Diseño de Sistemas Expertos (SE). Ciclo de vida de un SE. Evaluación del tema del 2do trabajo.
  • Tareas: Diseñar usando CommonKADS el SE correspondiente al 2do trabajo. Referencias: [6] Capítulos 6, [7] Capítulos 19.
  • 3er control de lectura
 
11, 12
Desarrollo de sistemas expertos basados en reglas (5.5 H)
  • 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.
  • Revisión del diseño del SE correspondiente al 2do trabajo.
  • Tareas: ejercicios sobre los métodos de inferencias, implementar el SE basado en reglas correspondiente al 2do trabajo.
  • Referencias: [1] Capítulos 6 y 8, [2] Capítulo 7, [6] Capítulo 3, [7] Capítulo 3.
 
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 al aprendizaje automático
  • Conceptos y aplicaciones de aprendizaje automático. Algunos métodos de aprendizaje automático. Revisión sobre la validación del SE del 2do trabajo.
  • Tareas: ejercicios sobre conceptos y aplicaciones de aprendizaje automático.
  • Referencias: [5] Capítulo 1, [8] Capítulo 1.
 
15
Presentación de trabajos computacionales
  • Los alumnos mostrarán sus habilidades en cuanto al desarrollo de sistemas expertos y sus aplicaciones, deberán presentar un informe y un software, y deberán exponer sus trabajos.
 
16
Examen final  
17
Examen Sustitutorio (solo para aquellos que no dieron examen parcial o final)  

 

LABORATORIO

Durante las sesiones de laboratorio se desarrollarán la programación básica en un lenguaje de inteligencia artificial sea LIPS (o una variante de ella) o CLIPS.

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 + 0,30*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 alumno que presenten 70% o más de asistencia.

8. BIBLIOGRAFIA

    • STUART, RUSSELL; PETER, NORVIG - 1996 Inteligencia artificial, un enfoque moderno. Ed Prentice Hall.ISBN 0-13-103805-2
    • PATRICK, WINSTON - 1984 Inteligencia Artificial. Ed. Addison-Wesley ISBN 0-201-51876-7
    • ELAINE, RICH - 1988 Inteligencia Artificial. Ed McGraw-Hill ISBN 0-07-450364-2
    • DAVID, MAURICIO - 2000 Apuntes de Inteligencia Artificial.
    • BONIFACIO, MARTIN; ALFREDO, SANZ - 2002 Redes Neuronales y Sistemas Difusos. Ed. Alfaomega ISBN 84-7897-466-0
    • JOSEPH GIARRATANO - GARY RILEY - 2001 Sistemas Expertos, principios y programación. Ed. Ciencias Thomson ISBN 970-686-059-2
    • JOSÉ PALMA M., ROQUE MARIN M. - 2008 Inteligencia artificial, técnicas métodos y aplicaciones. Ed. Mc Graw Hill ISBN 978-84-484-5618-3
    • JOSE R. HILERA, VICTOR J. MARTINE. - 2000 Redes neuronales artificiales, fundamentos, modelos y aplicaciones. Ed. Alfaomega - rama ISBN 978-84-484-5618
    • NILS J. NILSON - 2001 Inteligencia artificial, una nueva síntesis. Ed. Mc Graw Hill ISBN 978-84-484-5618-3

 

 
Comments