INTELIGENCIA ARTIFICIAL - HUGO VEGA HUERTA

 

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA )

INTELIGENCIA ARTIFICIAL

Profesor Hugo Vega Huerta

GRUPO 5

UNMSM | FISI | Google | SUM | Email San Marcos | Facultades de la UNMSM | Biblioteca de la UNSM

SILABO DEL CURSO DE INTELIGENCIA ARTIFICIAL

Descargar 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 : 2010 – 1
  • Coordinador : David Mauricio
  • Profesores : David Mauricio, Rolando Maguiña, Hugo Vega, Ana Huayna

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 e ingeniería de conocimiento.

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:

  • •  Comprender que es la Inteligencia Artificial y la complejidad de sus problemas.
  • •  Representar y resolver problemas de juego humano - máquina a través de técnicas de búsqueda en un espacio de estado.
  • •  Diseñar y desarrollar software de juegos inteligentes con interacción hombre-máquina y que usen técnicas de inteligencia artificial.
  • •  Comprender qué son los sistemas expertos y saber cuándo usarlos.
  • •  Conocer que es la Ingeniería de Conocimiento y un método para el desarrollo de sistemas basados en el conocimiento
  • •  Evaluar la calidad de la solución de sistemas expertos.
  • •  Diseñar y desarrollar sistemas expertos basados en diversos motores de inferencias (métodos de encadenamiento y redes neuronales artificiales), considerando criterios de calidad.
  • •  Conocer los conceptos de machine learning, su importancia y sus aplicaciones en la industria y servicios.
  • •  Conocer los conceptos de heurísticas y meta-heurísticas, su importancia y sus aplicaciones en la industria y servicios.

5. CONTENIDO ANALÍTICO POR SEMANAS:

 
Semanas

Descripcion

Referencias
Laboratorios
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. 1era Sesion: Introduccion a Lisp
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. 2da Sesion: Presentacion del tutorial resuelto de Lisp
3º Semana:

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.

1er control de lectura

3era Sesion: Programa en Lisp y otros ejemplos
4º Semana:

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

4 Sesion: Creacion de la Pagina Web
5º Semana:

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

 
6º Semana:

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

 
7º Semana

Ingeniería de conocimiento

Introducción. Adquisición de conocimiento. La metodología CommonKADS. Diseño de Sistemas Expertos (SE). Ciclo de vida de un SE.

 

Referencias: [6] Capítulos 6, [7] Capítulos 19.  
8º Semana

Examen parcial

   
9º Semana

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.

 

 
10º Semana:

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

 
11º Semana:

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.

 
12º Semana:

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

 
13º Semana:

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.

 

Referencias: [5] Capítulo 1, [8] Capítulo 1.

 
14º Semana:

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.

 

Referencias: [10], [11].

 

 
15º Semana:

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.

   
16º Semana

Examen final

   
17º Semana

Examen final (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.

5. 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 .

6. 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.

 

7. BIBLIOGRAFÍA

  • 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. 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 978-84-484-5618-3

 

  • NILS J. NILSON. 2001 Inteligencia artificial, una nueva síntesis. Ed. Mc Graw Hill. ISBN 978-84-484-5618-3

 

  • CAMPELO Ruy; MACULAN Nelson. 1994, Algoritmos e Heurísticas. Ed. Universidad Federal Fluminense. GLOVER Fred; KOCHENBERGER Gary A. 2003 HandBook of Metaheuristic. Kluwer International Series.

 

Las lecturas obligatorias serán proporcionadas por el profesor del curso.

Profesor del curso

Mg. Hugo Vega Huerta

Integranges grupo 2

1. Caceres Alvarez, Kenny

2. Melendes Melendes, Roy

Grupos del Curso

Inteligencia Artificial

Grupo 1 Grupo 2
Grupo 3 Grupo 4
Grupo 5 Grupo 6
Grupo 7 Grupo 8
Grupo 9 Grupo 10

Enlaces Interesantes

Descargas de tutoriales y Softwares

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

| ©2010 UNMSM - FISI