|
Curso:
INTELIGENCIA ARTIFICIAL
Ciclo: 2011-II
Profesor a cargo: HUGO VEGA HUERTA
FACULTAD DE INGENIERIA DE SISTEMAS - UNMSM
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)
Pre requisitos: 205007 – Investigación Operativa I
Semestre académico: 2011-II
Coordinador: Mg. Virginia Vera Pomalaza
Profesores: Ana María Huayna, Hugo Vega, Rolando Maguiña
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, arquitectura, taxonomía y aplicaciones. Motor de Inferencia. Ingeniería de conocimiento, conceptos, evolución, Metodología CommonKADS. Calidad y Validación de Sistemas Expertos, Introducción a Machine Learning (Aprendizaje Automático) y heurísticas.
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:
1. Comprender que es la Inteligencia Artificial y la complejidad de sus problemas.
2. Representar y resolver problemas de juego humano - máquina a través de técnicas de búsqueda en un espacio de estado.
3. Conocer las diferentes estrategias de búsqueda a ciegas e informados.
4. Diseñar y desarrollar software de juegos inteligentes con interacción hombre-máquina y que usen técnicas de inteligencia artificial.
5. Comprender qué son los sistemas expertos y saber cuándo usarlos.
6. Conocer que es la Ingeniería de Conocimiento y un método para el desarrollo de sistemas basados en el conocimiento.
7. Evaluar la calidad de la solución de sistemas expertos.
8. Diseñar y desarrollar sistemas expertos basados en diversos motores de inferencias (métodos de encadenamiento), considerando criterios de calidad.
9. Conocer los conceptos de machine learning y de heurísticas, su importancia y sus aplicaciones en la industria y servicios.
5. CONTENIDO ANALÍTICO POR SEMANAS:
|
Semana
|
Temas
|
Trabajos
|
| 1 |
Clasificación de problemas algorítmicos. [ver]
- 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. [ver]
- 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.
|
Tutorial Lisp Parte 2
|
| 3 |
Representación de problemas de juego humano – máquina como búsqueda en un espacio de estado. [ver]
- Definición de problemas de la IA como problemas de búsqueda en un espacio de estado. Representación de problemas de juegos humano – máquina.
Referencias: [1] Capítulo 3, [3] Capítulo 2, [4] Capítulo 3.
1er control de lectura.
|
Ejercicios de Recursividad
|
| 4 y 5 |
Métodos de búsqueda ciegos e informados
- La función evaluadora, métodos de búsqueda ciega ó no informados: amplitud, profundidad y no determinístico, métodos que usan información adicional: primero el mejor, ascenso a la colina, A*, ramificación y acotación.
Referencias: [1] Capítulos 3 y 4, [2] Capítulo 5, [3] Capítulo 3, [4] Capítulos 5, [9]
Capitulos 9
|
|
| 6 |
- 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 6, [2] Capítulos 6, [3] Capítulos 4, [4] Capítulos 6, [9] Capítulos 12.
2do control de lectura
|
PRACTICA LISP
|
| 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.
|
JUEGO - LISP
|
| 8 |
Examen parcial. |
examenes 2010
examenes 2011
examen 2011-II
|
| 9 |
Fundamentos de sistemas expertos. [ver]
- 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
|
ARBOL GENEALOGICO
|
| 10 |
Ingeniería de conocimiento. [ver]
- 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.
|
|
| 11 |
Adquisición de Conocimiento. [ver]
- Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento. Estructuras de representación de conocimientos (reglas de inferencias, frames, objects, redes semánticas,lógica de predicados).
Referencias: [6] Capítulos 6, [7] Capítulos 19.
3er control de lectura
|
RECURSIVIDAD PROLOG
|
| 12 |
Desarrollo de sistemas expertos basados en reglas. [ver]
- 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.
|
|
| 13 |
Calidad y validación de sistemas expertos. [ver]
- 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 a Machine Learning (Aprendizaje Automático) y heurísticas. [ver]
- 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. 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: [5] Capítulo 1 y 2, [8] Capítulo 1, [10], [11].
|
|
| 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.
|
Sistema Experot Prolog
Ejercicio Prolog
|
|
16
|
Examen final |
|
| 17 |
Examen Sustitutorio (solo para aquellos que no dieron examen parcial o final) |
|
6. 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 estase orientará al desarrollo de sistemas expertos basados en reglas. También en las sesiones de laboratorio se podrá evaluar el avance de los trabajos.
7. METODOLOGÍA
El curso se desarrolla a través de actividades teórico – prácticas, dando énfasis a aplicaciones en la industrial y servicios. Los estudiantes, organizados en equipos de 3 desarrollarán dos trabajos computacionales. Durante 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.
8. 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.
9. 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 [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.
INTELIGENCIA ARTIFICIAL HUGO VEGA HUERTA |
