Información del Curso

                                  DESCARGAR SYLABUS DEL CURSO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Perú, DECANA DE AMÉRICA

FACULTAD DE INGENIERÍA 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	8 semanas
Forma de Dictado	Técnico - experimental
Horas semanales	Teoría: 6h - Laboratorio: 4h
Naturaleza	Formación profesional
Número de créditos	Cuatro (04)
Prerrequisitos	205007 – Investigación Operativa I
Semestre académico	2015-0

2. Introducción

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. Unidades de Aprendizaje

UNIDAD Nº 1: Fundamentos de Inteligencia Artificial Logro El estudiante al finalizar la unidad comprenderá que es la inteligencia artificial (IA) y su diferencia con los sistemas de información, algunas aplicaciones en la industria y servicios, y su dificultad para resolverlos a través de la teoría de complejidad de problemas. Temario Clasificación de problemas algorítmicos, problemas P y NP. Problemas de decisión, localización y optimización. Descripción de algunos problemas NP-difícil. Definición de la IA, Máquina inteligente. Diferencia entre sistemas operacionales y sistemas inteligentes. Revisión de la representación del conocimiento, revisión de los lenguajes de la IA. Aplicaciones en la industria y servicios (robótica, planificación, gestión de desperdicios). Test de Turing. Horas/Semana (s) 10h/2S UNIDAD Nº 2: Búsqueda de Estado y su Aplicación para Juegos Humano – Máquina Logro El estudiante al finalizar la unidad representará problemas de inteligencia artificial como búsqueda de estado, conocerá los métodos de búsqueda de estado para resolverlos, y diseñará juegos humano-máquina, que será prácticamente invencible por el humano, para ello definirá la función de evaluación más adecuada e implementará diversos criterios inteligentes de decisión. Temario El problema de búsqueda en un espacio de estado. Representación de problemas de raciocinio y de optimización. Representación de problemas de juegos humano – máquina. Métodos Ciegos. Métodos Informados. Función evaluadora y su aplicación en juegos-humano máquina. Algoritmos de juego humano máquina. Criterios de decisión para juegos humano – máquina: no determinístico, goloso, min-max, mejor diferencia de utilidades. Horas/Semana (s) 25h/5S UNIDAD Nº 3: Ingeniería de conocimiento Logro El estudiante al finalizar la unidad comprenderá que son los sistemas expertos (SE), sus aplicaciones sabrá cuando aplicarlo, y modelará sistemas basados en el conocimiento siguiendo la metodología de facto CommonKADS. Temario Definición de SE. Arquitectura, taxonomía, aplicaciones, y ventajas de SE. Requisitos para el desarrollo de SE. Introducción a la ingeniería de conocimiento. Métodos de desarrollo de sistemas basados en el conocimiento (SBC). La metodología CommonKADS (CK). Construcción de un SBC usando CK: modelo de contexto, modelo conceptual y modelo de diseño. Horas/Semana (s) 10h/2S UNIDAD Nº 4: Desarrollo y validación de Sistemas Expertos Logro El estudiante al finalizar la unidad podrá diseñar, implementar y validar un sistema experto para ello aprenderá a adquirir y representar el conocimiento, diseñar motores de inferencia, calcular los ratios de performance de un sistema experto, y reforzará lo aprendido mediante diversos ejemplos clásicos de sistemas expertos. Temario Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento. Estructuras de representación de conocimientos. El motor de inferencia. Los métodos de encadenamiento regresivo y progresivo. Principales errores en el desarrollo de un SE. Calidad de un SE. Eficiencia y error de SE. Índice de acuerdo, sensibilidad y especificidad. Horas/Semana (s) 15h/3S UNIDAD Nº: 5 Introducción a Machine Learning y a Heurísticas Logro El estudiante al finalizar comprenderá que es la optimización combinatoria y machine learning así como sus aplicaciones para crear valor e incrementar la competitividad de las organizaciones a través de casos de estudios y talleres. Temario Conceptos de aprendizaje y de machine learning. Sistemas expertos 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. Aplicaciones de optimización combinatoria en la industria y servicios. Horas/Semana (s) 5h/1S

5. Contenido por semanas

Semana  Contenido Resumenes Trabajos 1 ° 1º Semana: 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.    1 Resumen 2 ° 2º Semana: 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. Referencias: [1] Capítulo 1, [2] Capítulo 1, [9] Capítulo 1.  2 Resumen Tutorial Lisp 3 ° y 4 ° 3º  4ºSemana: 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, [3] Capítulo 2, [4] Capítulo 3.  3 y 4  Resumen Lisp 2 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: [1] Capítulo 4, [2] Capítulo 5, [3] Capítulo 3, [4] Capítulos 5, [9] Capítulos 9. 5 Resumen 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: [1] Capítulo 4, [2] Capítulo 5, [3] Capítulo 3, [4] Capítulos 5, [9] Capítulos 9. 6 Resumen Recursividad Ejemplos 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: [1] Capítulo 5, [2] Capítulos 6, [3] Capítulos 4, [4] Capítulos 6, [9] Capítulos 12. 7 Resumen Problema ZGMH 8 ° Exámen Parcial Solucionario Examen Parcial Proyecto 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: [6] Capítulo 1. 9 Resumen Ejercicios Prolog Tres en raya – Metodología Tres en raya – Metodología-Juego Búsqueda Profundidad y Amplitud Ejercicio Ruta 10 ° Ingeniería de conocimiento  Introducción. Adquisición de conocimiento. La metodología C ommonKADS. Diseño de Sistemas Expertos (SE). Ciclo de vida de un SE.  Referencias: [6] Capítulos 6, [7] Capítulos 19. 10 Resumen 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. 11 Resumen 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: [1] Capítulos 6 y 8, [2] Capítulo 7, [6] Capítulo 3, [7] Capítulo 3. 12 Resumen 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: [4], [7] Capítulo 21. 13 Resumen 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: [10], [11], [5] Capítulo 1, [8] Capítulo 1. 14 Resumen 15 ° Examen Final Solucion 1 Solucion2 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 y esta se orientará al desarrollo de sistemas expertos basados en reglas. También en las sesiones de laboratorio se podrá evaluar el avance de los trabajos. 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 evaluará  el avance de los trabajos computacionales y el proceso de aprendizaje de un lenguaje de inteligencia artificial. 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 alumno que presenten 70% o más de asistencia.  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.