Semana
|
Contenido
|
Resumenes
|
Trabajos
|
1 ° |
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 ° |
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.
|
|
|
| |
|
|