Download Sílabo de Inteligencia Artificial

Asignatura: Comunicación
Sílabo de Inteligencia Artificial
I.
II.
Datos Generales
Código
A1005
Carácter
Obligatorio
Créditos
5
Periodo Académico
2017
Prerrequisito
Sistemas digitales
Horas
Teóricas:
4
Prácticas:
2
Sumilla de la Asignatura
La asignatura corresponde al área de Especialidad Ingeniería Aplicada es de naturaleza
teórico-práctica. El propósito de la asignatura es que el estudiante adquiera capacidades
de análisis y diseño de Sistemas de inteligencia artificial
La asignatura contiene: Redes neuronales artificiales, teoría de conjuntos difusos, lógica
difusa
III. Competencia
Conoce, comprende y aplica los fundamentos de las redes neuronales y de la lógica difusa
para analizar, diseñar e implementar sistemas eléctricos, electrónicos y mecánicos
complejos, demostrando respeto al trabajo, opinión personal y grupal.
ucontinental.edu.pe
Asignatura: Comunicación
IV.
Unidad
I
II
Organización de los Aprendizajes
Conocimientos
Procedimientos
Actitudes
Inteligencia artificial. Áreas: deducción y razonamiento,
reconocimiento de patrones, procesamiento del lenguaje,
percepción, representación del conocimiento, control inteligente y
aprendizaje automático. Sistemas supervisados y no supervisado.
Fundamentos biológicos de las redes neuronales, modelo
computacional de una neurona y características de redes
neuronales. Referencias históricas de las redes neuronales.
Motivación. Realiza la exposición sobre áreas de la inteligencia artificial. Realiza ejemplos de sistemas
supervisados y sistemas no supervisados.
Realiza la aplicación de ejemplo supervisado utilizando técnicas de regresión lineal.
Modelo de Mc-Culloch-Pitts. Funciones lógica NOT, AND, OR.
Concepto de separabilidad lineal.
Implementa funciones NOT, AND y OR con amplificadores operacionales.
Modelo Perceptron simple.
Proceso de entrenamiento.
Limitaciones.
Modelo Adaline, descripción. Diferencias con el modelo Perceptron.
Implementa de la función lógica AND, NOT y OR utilizando programa MATLAB y amplificadores
operacionales.
Describe el modelo Adaline. Implementación de la función lógica XOR utilizando programa MATLAB y
amplificadores operacionales.
Perceptrón multicapa. Arquitectura, propagación de los patrones
de entrada. Algoritmo de retropropagación. Proceso de
aprendizaje del perceptrón multicapa.
Redes de neuronas de base radial. Arquitectura y aprendizaje de las
redes de base radial. Ventajas y desventajas frente a la red
Perceptrón multicapa.
Diseña la arquitectura del perceptrón multicapa. Programa el algoritmo de retropropagación con el
programa MATLAB.
Lógica difusa, definición. Referencias históricas.
Aplicaciones de la lógica difusa.
Motivación. Compara la lógica clásica con la lógica difusa.
Conjuntos clásicos y difusos, concepto y notación. Operaciones en
la lógica difusa: unión, intersección, complemento. Propiedades de
los conjuntos difusos: conmutativa, asociativa, distributiva,
identidad, transitiva, idempotencia, complementariedad, leyes de
Morgan e involutiva.
Funciones de membresía, características. Tipos: triangular, gamma,
gaussiana, trapezoidal y sigmoidal.
Compara de manera analítica y gráfica las operaciones de los conjuntos clásicos y conjuntos difusos.
Relaciones difusas. Operaciones con relaciones difusas, producto
cartesiano y composición. Operadores difusos generalizados: norma
T, norma S, complemento difuso. Principio de extensión
unidimensional y multidimensional.
Razonamiento aproximado. Variable lingüística, regla si-entonces.
Modus ponens difuso.
Sistemas de control difuso. Interfase de fusificación, base de
conocimientos, lógica de decisiones, interface de defusificación.
Métodos de centro de área o gravedad, de centro máximo, de
izquierdo máximo, de derecha máximo.
Controlador difuso en base a reglas del modelo de Mamdani.
Realiza la exposición detallada de las relaciones difusas, operaciones. Realiza la comparación con las
relaciones clásicas. Aplica el modus ponens difuso.
Controlador difuso en base a reglas del modelo de Sugeno
Realiza el análisis y diseño de un sistema de control en base al modelo de Sugeno
Controlador difuso en base a reglas del modelo de Tsukamoto
Realiza el análisis y diseño de un sistema de control en base al modelo Tsukamoto
Representa una neurona artificial: entradas, proceso, función de activación y salida. Implementa
neurona artificial con amplificadores operacionales.
Realiza el diseño de la arquitectura de la red de neuronas de base radial. Programación del algoritmo
con el programa MATLAB
Valora el álgebra
lineal como como
base matemática
de la inteligencia
artificial
Asume una actitud
crítica
sobre
la
importancia de los
modelos
matemáticos.
Valora
la
programación con
MATLAB
como
herramienta
de
entrenamiento de
las
redes
neuronales
Evaluación Parcial
III
IV
Analiz las funciones de membresía y representación gráfica utilizando el programa MATLAB.
Realiza la descripción detallada de las etapas de diseño de un sistema de control difuso: definir las
características del modelo, definición de conjuntos difusos, definición de reglas de control, elección del
método de defusificación, simulación y ajuste del sistema.
Destaca
la
importancia de la
lógica clásica en el
desarrollo de la
lógica difusa.
Asume una actitud
crítica
sobre
la
importancia de los
modelos
matemáticos
Diseña
creativamente
sistemas de control
Realiza el análisis y diseño de un sistema de control en base al modelo de Mamdani
en base a la lógica
difusa
Evaluación Final
ucontinental.edu.pe
Asignatura: Comunicación
V.
Estrategias Metodológicas
Exposición, clase magistral e interrogación didáctica con los alumnos. Solución de problemas por
parte del profesor y de los estudiantes. Trabajos grupales domiciliarios. Análisis de medidas
experimentales. Redacción de informes técnicos. Trabajo grupal de laboratorio.
VI.
Sistema de Evaluación
Instrumentos
Rubros
Peso
Evaluación de entrada
Prueba de desarrollo
Consolidado 1
Prueba de desarrollo de ejercicios propuestos y
guía de laboratorio.
Prueba de desarrollo de ejercicios propuestos y
guías de laboratorio, avance de proyecto final
20%
Evaluación Parcial
Prueba de desarrollo
20%
A) Consolidado 2
Evaluación Final
Requisito
Prueba de desarrollo de ejercicios propuestos y
guía de laboratorio.
Prueba de desarrollo de ejercicios propuestos y
guía de laboratorios.
Ficha de exposición
20%
40%
Evaluación sustitutoria(*) No aplica
(*) Reemplaza la nota más baja obtenida en los rubros anteriores
Fórmula para obtener el promedio:
PF = C1 (20%) + EP (20%) + C2 (20%) + EF (40%)
VII. Bibliografía
7.1 Básica



Isasi, Pedro; Galván Inés. Redes de Neuronas Artificiales, un enfoque práctico. España,
Prentice Hall, 2004.
Galván Inés. Nuevos modelos de redes neuronales artificiales para simulación y
control de sistemas dinámicos. Universidad Politécnica de Madrid.
Ponce, Pedro. Inteligencia Artificial con aplicaciones a la ingeniería. México,
Alfaomega, 2010.
7.2 Recursos Digitales
Las páginas web son de referencia y consulta.

www.mathworks.com/products/fuzzy-logic/

www.mathworks.com/products/neural-network
Firmado por
FELIPE NESTOR GUTARRA MEZA
CN = FELIPE NESTOR GUTARRA MEZA
O = UNIVERSIDAD CONTINENTAL
OU = 20319363221
T = DECANO
Signature date and time: 17/02/2017 13:47:44
2017.
ucontinental.edu.pe