Download sílabo de inteligencia artificial
Document related concepts
Transcript
SÍLABO DE INTELIGENCIA ARTIFICIAL I. DATOS GENERALES CÓDIGO A1005 CARÁCTER Obligatorio CRÉDITOS 5 PERIODO ACADÉMICO 2016 PRERREQUISITO Sistemas digitales HORAS Teóricas: 4 Prácticas 2 II. 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 Conocerá, comprenderá y aplicará 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. IV. ORGANIZACIÓN DE LOS APRENDIZAJES UNIDAD I CONOCIMIENTOS PROCEDIMIENTOS Motivación. Exposición sobre áreas de la inteligencia artificial. Ejemplos de sistemas supervisados y sistemas no supervisados. Aplicación de ejemplo supervisado utilizando técnicas de regresión lineal. Representación de una neurona artificial: entradas, proceso, función de activación y salida. Implementa neurona artificial con amplificadores operacionales. Valora el Algebra Lineal como como base matemática de la inteligencia artificial Modelo de Mc-Culloch-Pitts. Funciones lógica NOT, AND, OR. Concepto de separabilidad lineal. Implementar funciones NOT, AND y OR con amplificadores operacionales. Asume una actitud crítica sobre la importancia de los modelos matemáticos. Modelo Perceptron simple. entrenamiento. Limitaciones. Implementación de la función lógica AND, NOT y OR utilizando programa MATLAB y amplificadores operacionales. . Descripción del modelo Adaline. Implementación de la función lógica XOR utilizando programa MATLAB y amplificadores operacionales. Diseño de la arquitectura del perceptrón multicapa. Programación del algoritmo de retropropagación con el programa MATLAB. Proceso de Modelo Adaline, descripción. Diferencias con el modelo Perceptron. II ACTITUDES Inteligencia artificial. Áreas: deducción y razonamiento, reconocimiento de patrones, procesamiento del lenguaje, percepción, representación del conocimiento, control inteligente, aprendizaje automático. Sistemas supervisados, no supervisado. Fundamentos biológicos de las redes neuronales, modelo computacional de una neurona, características de redes neuronales. Referencias históricas de las redes neuronales. 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. Diseño de la arquitectura de la red de neuronas de base radial. Programación del algoritmo con el programa MATLAB EVALUACIÓN PARCIAL Valora la programación con MATLAB como herramienta de entrenamiento de las redes neuronales III IV 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, involutiva. Comparación analítica y gráfica de las operaciones de los conjuntos clásicos y conjuntos difusos. Funciones de membresía, características. Tipos: triangular, gamma, gaussiana, trapezoidal, sigmoidal. Análisis de las funciones de membresía y representación gráfica utilizando el programa MATLAB. 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. Exposición detallada de las relaciones difusas, operaciones. Comparación con las relaciones clásicas. Aplicación del modus ponens difuso Controlador difuso en base a reglas del modelo de Mamdani. 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. Análisis y diseño de un sistema de control en base al modelo de Mamdani Controlador difuso en base a reglas del modelo de Sugeno Análisis y diseño de un sistema de control en base al modelo de Sugeno Controlador difuso en base a reglas del modelo de Tsukamoto Análisis y diseño de un sistema de control en base al modelo Tsukamoto EVALUACIÓN PARCIAL Destaca 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 en base a la lógica difusa V. ESTRATEGIAS METODOLÓGICAS Exposición, clase magistral, 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 RUBROS INSTRUMENTOS Evaluación diagnóstica Prueba de desarrollo Consolidado 1 Prueba de desarrollo de ejercicios propuestos y guía de laboratorio. PESO 20% Prueba de desarrollo de ejercicios propuestos y guías de laboratorio, avance de proyecto final Evaluación parcial Consolidado 2 Prueba de desarrollo Prueba de desarrollo de ejercicios propuestos y guía de laboratorio. Prueba de desarrollo de ejercicios propuestos y guía de laboratorios. Evaluación final Ficha de exposición OBTENCIÓN DEL PROMEDIO 20% 20% 40% PF = C1 (20%) + EP (20%) + C2 (20%) + EF (40%) VII. BIBLIOGRAFÍA - 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. VIII. 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: 11/08/2016 16:51:41 2016.