Download Sílabo de Inteligencia Artificial
Document related concepts
Transcript
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