Download sílabo de inteligencia artificial

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.