Download Inteligencia Artificial II - Facultad Politecnica

Campus Universitario, Km 8 Lado Acaray
Calle Universidad Nacional del Este c/ Rca. Del Paraguay
Ciudad del Este – Paraguay
Teléfono y Fax 061 575.112/13 – 577.261/62
574.980 – 577.427 – 577.436
Web: www.fpune.edu.py
Email: [email protected]
FACULTAD POLITÉCNICA
DIRECCIÓN ACADÉMICA
PROGRAMA DE ESTUDIO
I. IDENTIFICACIÓN
Carrera
Asignatura
Semestre
Código
Área
Pre-requisitos
: Ingeniería de Sistemas
: Inteligencia Artificial II
: Décimo
: 4521
: Tecnologías Aplicadas
: 4511
:
CARGA HORARIA (Horas reloj)
Carga Horaria Semestral
67
Carga Horaria Semanal
5
Clases teóricas
30
Clases prácticas
17
Laboratorio
20
Otro (especificar)
II. FUNDAMENTACIÓN
Muchas incógnitas de la inteligencia artificial actualmente envuelven la resolución de problemas que son difíciles
de resolver, debido a que envuelven el uso de muchas variables, los cuales normalmente, llevarían años en
resolverlos mediante métodos convencionales de búsqueda exhaustiva. El enfoque de la inteligencia artificial se
basa, en la resolución de problemas de la vida cotidiana, que envuelven el tratamiento de la incertidumbre, los
cuales son tratados mediante redes Bayesianas. Además, existen muchos problemas en donde es necesario la
optimización de varios objetivos, en los cuales normalmente, la optimización de un objetivo podría afectar la
optimización de los demás objetivos. Para estos casos, la inteligencia artificial propone la utilización de algoritmos
evolutivos multiobjetivos, cuya finalidad es optimizar simultáneamente varios objetivos al mismo tiempo, y
proponer soluciones a aquellos problemas en donde se necesitan tomar decisiones correctas ante la diversidad de
alternativas, y en un plazo relativamente corto. Por lo tanto, la Inteligencia Artificial surge como una herramienta
indispensable en la resolución de problemas reales de la vida cotidiana, aplicándose en diversas áreas, desde
Medicina, Derecho, Industrialización, Robótica, Comercio, Análisis financiero, Evaluación de proyectos, hasta
sistemas basados en el conocimiento.
III. COMPETENCIAS
Aprender a definir correctamente los conceptos básicos del tratamiento de la incertidumbre, la regla
de Bayes y las redes Bayesianas.
Ser capaz de diseñar una estructura de una red neuronal artificial.
Aprender a utilizar las herramientas de inteligencia artificial en la resolución de problemas: redes
Bayesianas, redes neuronales artificiales, algoritmos genéticos, algoritmos evolutivos multiobjetivos.
Aprender a programar inteligencia artificial.
Diseñar y resolver correctamente problemas del tratamiento de la incertidumbre.
Resolver problemas con redes neuronales artificiales.
Utilizar los algoritmos genéticos para resolución de problemas.
Aprender a utilizar los algoritmos evolutivos multiobjetivos en la resolución de problemas.
Proponer problemas de inteligencia artificial.
IV. OBJETIVOS GENERALES DE LA ASIGNATURA
Conocer los conceptos básicos del tratamiento de la incertidumbre, la teoría de sustentación y sus
campos de aplicación.
Conocer y aplicar la Regla de Bayes, y las redes Bayesianas.
Desarrollar estructuras de redes neuronales artificiales.
Elaborar los componentes básicos de algoritmos genéticos.
Conocer los algoritmos evolutivos multiobjetivos.
Utilizar las herramientas de la inteligencia artificial en la resolución de problemas: redes Bayesianas,
redes neuronales, algoritmos genéticos, algoritmos evolutivos multiobjetivos.
MISIÓN
Formar en valores, ciencias y técnicas para responder a los desafíos socioambientales, a través de la investigación docencia y extensión.
VISIÓN
Centro de formación tecnológica y científica con prestigio nacional e internacional.
1
Campus Universitario, Km 8 Lado Acaray
Calle Universidad Nacional del Este c/ Rca. Del Paraguay
Ciudad del Este – Paraguay
Teléfono y Fax 061 575.112/13 – 577.261/62
574.980 – 577.427 – 577.436
Web: www.fpune.edu.py
Email: [email protected]
V. CONTENIDOS
Unidad I - Incertidumbre
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
Incertidumbre
Inferencias y tipos de errores
Uso de las probabilidades para la toma de decisiones
Probabilidades condicionales y Ley de Bayes
Razonamiento Bayesiano
Razonamiento hipotético e inducción hacia atrás
Razonamiento temporal y cadenas de Markov
Evidencias y evidencias parciales
Creencia y credibilidad
Suficiencia y necesidad
Incertidumbre en las cadenas de inferencia
La combinación de evidencia
Redes de inferencia
Propagación de probabilidades en las redes de inferencia
Unidad II - Redes Neuronales artificiales
1.
2.
3.
4.
Introducción
1.1. Motivación
1.2. Objetivo.
1.3. Definiciones.
1.4. Características básicas
1.5. Histórico
Redes Neuronales artificiales
2.1. Modos de interconexión
Procesamiento neuronal: Recall y Learning.
Reglas de aprendizaje
4.1. Hebb
4.2. Perceptron
4.3. Back Propagation
4.4. Hopfield
4.5. Competitive Learning
4.6. RBF
Unidad III - Algoritmos Genéticos
1.
2.
3.
4.
5.
6.
7.
Introducción
Motivación
Objetivo
Definiciones
Características básicas
Histórico
Componentes de un algoritmo genético
Problema
Representación
Decodificación
Evaluación, etc.
Analogía evolutiva
Operadores de fitness, crossover y mutación
Pseudo código de un algoritmo genético
Problemas de satisfacción de restricciones
Problemas de planeamiento
MISIÓN
Formar en valores, ciencias y técnicas para responder a los desafíos socioambientales, a través de la investigación docencia y extensión.
VISIÓN
Centro de formación tecnológica y científica con prestigio nacional e internacional.
2
Campus Universitario, Km 8 Lado Acaray
Calle Universidad Nacional del Este c/ Rca. Del Paraguay
Ciudad del Este – Paraguay
Teléfono y Fax 061 575.112/13 – 577.261/62
574.980 – 577.427 – 577.436
Web: www.fpune.edu.py
Email: [email protected]
Unidad IV - Algoritmos Evolutivos Multiobjetivos
1.
2.
3.
4.
5.
6.
7.
8.
9.
Introducción
a. Motivación
b. Objetivo
c. Definiciones.
Conjunto Pareto óptimo.
Frente Pareto.
Espacio de decisiones y espacio objetivo.
Optimización y toma de decisiones.
Fitness.
Algoritmo SPEA2.
Algoritmo NSGA II.
Ejemplos de aplicación.
VI. METODOLOGÍA DE ENSEÑANZA
Las competencias se adquirirán preferentemente a través de:
Clase magistral
Trabajo práctico: Proyecto de investigación
Experiencias de laboratorio.
VII. METODOLOGÍA DE EVALUACIÓN
El sistema de evaluación se realizará conforme a lo establecido en el reglamento vigente de la Facultad.
VIII. BIBLIOGRAFÍA
Básicas:
RUSSELL, Stuart; NORVIG, Peter. “Inteligencia Artificial Un enfoque moderno”. Madrid: Pearson
Prentice Hall, 2004.
PONCE, Pedro. “Inteligencia Artificial con aplicaciones a la Ingeniería”. México: Alfaomega Grupo
Editor, S.A. de C.V., 2010.
Complementarias:
LEIJA, Lorenzo. “Métodos de Procesamiento Avanzado e Inteligencia Artificial en Sistemas, Sensores Y
Biosensores”. México: Reverté Ediciones, 2009.
WINSTON, Patrick. “Artificial Intelligence”. Massachusetts: Addison Wesley. 1993.
GIARRATANO, Joseph; RIDLEY, Gary. “Sistemas Expertos. Principios y Programación”. México:
Internacional Thompson Editores, 2001.
BORRAJO, D.; JURISTO, N., MARTÍNEZ-ORGA, V.; PAZOS, J. “Inteligencia Artificial: Métodos y
Técnicas”. Madrid: CEURA, 1994.
MISIÓN
Formar en valores, ciencias y técnicas para responder a los desafíos socioambientales, a través de la investigación docencia y extensión.
VISIÓN
Centro de formación tecnológica y científica con prestigio nacional e internacional.
3