Download Técnicas de inteligencia - Instituto Tecnológico de Aguascalientes

1.
DATOS DE LA ASIGNATURA
Nombre: Técnicas de Inteligencia Artificial y Sistemas Multi-agentes
Carrera: Licenciatura en Informática
Clave de la asignatura: IFS-0405
Horas teoría - horas práctica - créditos: 4-2-10
2.
HISTORIA DEL PROGRAMA
Lugar y fecha de
elaboración o revisión
Instituto Tecnológico de
Aguascalientes
Diciembre 2006
3.
Participantes
Observaciones
(cambios y justificación)
Academia de la carrera de Forma parte de la
Licenciatura en Informática especialidad de la carrera
del Instituto Tecnológico de de Licenciatura en
Aguascalientes
Informática
UBICACIÓN DE LA ASIGNATURA
a). Relación con otras asignaturas del plan de estudio
Anteriores
Asignaturas
Temas
Todos
Matemáticas I
Matemáticas II
Investigación de
Operaciones I
Investigación de
Operaciones II
Programación I.
Estructura
de
datos
Organización de
datos.
Programación II
Fundamentos de
Base de Datos
Taller de Base de
Datos
Tópicos
Avanzados de
Bases de Datos
Posteriores
Asignaturas
Temas
Ninguna
b). Aportación de la asignatura al perfil del egresado
-Integrar conocimientos en el estudio de inteligencia artificial y sistemas basados
en conocimiento.
4.
OBJETIVO(S) GENERAL(ES) DEL CURSO
Introducir al Alumno en el estudio de inteligencia artificial y el desarrollo de
sistemas basados en conocimiento. Además se pretende que adquiera las
metodologías de representación y resolución de problemas desarrollados en IA
para ser empleadas en abordaje de los problemas que se presentarán en su
actividad profesional.
5.
TEMARIO
Unidad
Temas
1
Introducción
a la
Inteligencia
Artificial.
2
Algoritmos
Genéticos.
Subtemas
1.1 1.1 Que es Inteligencia Artificial (IA)?.
1.2 Los fundamentos de la IA.
1.3 Historia de la IA.
1.4 El estado del arte de la IA (Los últimos avances).
2.1 Introducción.
2.1.2 Definición de Algoritmo Genético (AG).
2.1.3 Funcionamiento de un AG.
2.1.4 Trabajando los Principios de los
Algoritmos Genéticos Binarios.
2.1.5 Representando la Solución.
2.2 Teorema del Esquema.
2.2.1 Teorema del Esquema (Efecto de
Supervivencia).
2.2.2 Efecto de Selección Sobre el Número
Esperado de Instancias de un Esquema en la
Población t-1.
2.2.3 Efecto de Cruzamiento Sobre el Número
Esperado de Instancias de un Esquema en la
Población t+1.
2.2.4 Efecto de Mutación Sobre el Número
Esperado de Instancias de un Esquema en la
Población t+1.
2.3 Como Trabaja el Procesamiento de Esquemas: Un
Ejemplo Revisado Manualmente.
2.4 Aplicaciones de los Algoritmos Genéticos
Unidad
Temas
3
Redes
Neuronales.
Subtemas
3.1 Introducción a las Redes Neuronales Artificiales.
3.1 Introducción a la Tecnología de las Redes
Neuronales Artificiales.
3.2
Microprocesadores,
computadoras
y
cerebro.
3.3 Redes neuronales artificiales e inteligencia
artificial.
3.4 Antecedentes históricos de las redes
neuronales artificiales
3.5 Definición de una red neuronal artificial
3.6 Caracteristicas de las redes neuronales
artificiales.
3.7 Ventajas y desventajas de las redes
neuronales artificiales.
3.2 Fundamentos de las redes neuronales artificiales.
2.2.1 El modelo biológico de las redes
neuronales artificiales.
2.2.2 El modelo general de una red neuronal
artificial.
2.2.3 Módelo estándar de una red neuronal
artificial.
3.3 Aprendizaje.
3.4 Estructura de una red neuronal artificial.
3.5 Modelo de operación.
3.6 El perceptron
3.6.1 Antecedentes historicos.
3.6.2 Funcionamiento del Perceptron.
3.6.3 Regla de aprendizaje.
3.6.4 Algoritmo de Entrenamiento.
3.7
Rede
Neuronal
Backpropagation
(Retropropagacion).
3.7.1 Antecedentes Historicos.
3.7.2 Estructura de la Red.
3.7.3 Reglas de Aprendizaje.
3.7.4 Algoritmo de Entrenamiento.
3.7.5 Ejemplos.
Unidad
Temas
Subtemas
4
Lógica Fuzzy 4.1 Introducción.
4.1.1 Que es lógica fuzzy?.
4.1.2 Motivaciones.
4.1.3 Por que usar lógica fuzzy?.
4.2 Conceptos Básicos de Lógica Fuzzy.
4.2.1 Conjuntos fuzzy.
4.2.2 Operaciones con Conjuntos.
4.2.2 Variables lingüísticas.
4.3 Reglas Fuzzy If-Then.
4.4 Estructura Basica de un Modelo Basado en Lógica
Fuzzy.
4.4.1 Interfaz de Fuzzyficación.
4.4.2 Mecanismo de Inferencia.
4.4.2.1 Base de Datos.
4.4.2.2 Base de Reglas.
4.4.3 Interfaz de Defuzzyficación.
4.5 Aplicaciones de Modelos Basados en Lógica
Fuzzy.
6.
5
Construcción 5.1 Agentes Inteligentes.
5.1.1 Introducción.
de Agentes
5.1.2 Cómo debe de proceder un agente.
Inteligentes y
5.1.3 Taxonomía de los agentes.
Sistemas
Multiagentes.
5.1.3 Estructura de los agentes inteligentes.
5.1.4 Ambientes.
5.2.5 Aplicaciones.
5.2.6 Implementación.
5.2 Sistemas Multi-Agentes.
5.2.1 Introducción.
5.2.2 Taxonomía.
5.2.3 Arquitecturas abstractas.
5.2.4 Arquitecturas concretas.
5.2.5 Lenguajes formales para sistemas
multiagentes.
5.2.6 Protocolos.
5.2.7 Aplicaciones.
6
Abierta.
Sistemas Expertos/ Ant Colony.
APRENDIZAJES REQUERIDOS
Dominio de diseño de bases de datos.
Dominio del un lenguaje Orientado a Objetos.
Habilidades para utilizar software de sistemas.
Manejo de métodos de Optimización.
Dominio de cálculo diferencial e integral.
7.
SUGERENCIAS DIDÁCTICAS
El Maestro, induce, explica, orienta y guía en:
* Propiciar el trabajo en equipo.
* Desarrollar ejemplos de lo simple a lo complejo, buscando que el estudiante,
asocie el tema con elementos significativos de su entorno.
* Realizar un circulo de estudios en donde el profesor conduzca paso a paso a
sus estudiantes en el desarrollo del ejemplo, teniendo el cuidado que durante la
solución se resalten los puntos de importancia que la teoría define, ya sea como
concepto o el uso de la sintaxis en el momento de su aplicación.
* Propiciar el desarrollo y la realización de prácticas.
* Elaborar un conjunto de problemas actuales asociados al entorno.
* Solicitar al estudiante el desarrollo de un proyecto de su interés, aplicando los
conocimientos adquiridos durante el curso.
* Involucrar al estudiante en las innovaciones que la evolución de la programación
genera día con día, propiciando que éste se documente en distintas fuentes de
información impresas y electrónicas.
* Seleccionar en acuerdo de academia, el lenguaje de programación a utilizar
conforme a las necesidades del entorno, el contenido del programa y los recursos
disponibles.
8.
SUGERENCIAS DE EVALUACIÓN
* Establecer de común acuerdo con los estudiantes, la ponderación de las
diferentes actividades del curso.
* Participar en clase y en el taller.
* Exponer temas específicos en aula.
* Elaborar reportes de trabajos de investigación.
* Elaborar reportes de prácticas.
* Aplicar exámenes escritos y prácticos (en computadora) correspondientes a cada
unidad.
* Dar seguimiento a los avances y documentación del proyecto propuesto.
9.
UNIDADES DE APRENDIZAJE
Unidad I Introducción a la Inteligencia Artificial.
Objetivo
Educacional
El alumno conocerá
conceptos básicos del
Inteligencia artificial
Actividades de
Aprendizaje
1.1 El alumno conoce los
aspectos generales de
la Inteligencia artificial.
Fuentes de Información
13
Unidad 2 Algoritmos Genéticos.
Objetivo
Actividades de
Fuentes de Información
Educacional
Aprendizaje
El alumno conocerá
1, 2, 4, 5, 6, 8, 9,11
2.1 El alumno conoce los
conceptos básicos,
fundamentos de un AG.
implementación y uso de la
2.2
El alumno una vez que
computación evolutiva
se han conocido los
aplicando algoritmos
fundamentos,
genéticos (AG).
implementara un AG
aplicando un lenguaje
orientado a objetos.
2.3 El alumno evaluará el
AG con diferentes
funciones objetivo.
Unidad 3 Redes Neuronales.
Objetivo
Educacional
El alumno conocerá
conceptos básicos,
implementación y uso de
las redes neuronales (NN).
Actividades de
Aprendizaje
3.1 El alumno conoce los
fundamentos de una
NN.
3.2 El alumno una vez que
se han conocido los
fundamentos,
implementara una NN
aplicando un lenguaje
orientado a objetos.
3.3 El alumno evaluará el
desempeño de la NN
en una aplicación
práctica.
Fuentes de Información
2, 7
Unidad 4 Lógica Fuzzy
Objetivo
Educacional
El alumno conocerá
conceptos básicos,
implementación y uso de
las Lógica Fuzzy.
Actividades de
Aprendizaje
4.1 El alumno conoce los
fundamentos de la
Lógica Fuzzy.
4.2 El alumno una vez que
se han conocido los
fundamentos,
implementara un
modelo fuzzy con
MATLAB o un lenguaje
Fuentes de Información
2, 13, 14, 16
orientado a objetos.
4.3 El alumno evaluará el
desempeño del modelo
con diferentes
aplicaciones.
Unidad 5 Construcción de Agentes Inteligentes y Sistemas Multi-agentes
Objetivo
Actividades de
Fuentes de Información
Educacional
Aprendizaje
El alumno conocerá
5.1 El alumno conoce
2, 3, 10
conceptos básicos,
los fundamentos de
implementación y uso de
los agentes y
los agentes.
sistemas multiagentes.
5.2 El alumno una vez
que se han conocido
los fundamentos,
implementara un
agente utilizando un
lenguaje orientado a
objetos.
5.3 El alumno evaluará
el agente en una
aplicación real.
Unidad Abierta.
Objetivo
Educacional
El alumno conocerá
conceptos básicos,
implementación y uso de
los sistemas expertos o
colonia de hormigas.
Actividades de
Fuentes de Información
Aprendizaje
2, 13
6.1 El alumno conoce
los fundamentos de
los sistemas
expertos o colonia
de hormigas.
6.2 El alumno una vez
que se han conocido
los fundamentos,
implementara un
sistema experto o
una colonia de
hormigas utilizando
un lenguaje
orientado a objetos.
6.3 El alumno evaluará
el sistema experto o
la colonia de
hormigas en
aplicaciones real.
10.
FUENTES DE INFORMACIÓN
1. [Back 97] Back T. Handbook of Evolutionary Computation, pp. C7.1:1-15.
Bristol: Institute of Physics Publishing and New York: Oxford University Press
1997.
2. [Bigus 01]
Bigus P. Joseph and Bigus jennifer, Constructing Intelligent
Agents with Java. A Programmer´s Guide to Smarter Applications. John Wiley
& Sons, Inc. 2001.
3. [Ferber 99]
Ferber Jacques. Multi-Agent Systems. An Introduction to
Distributed Artificial Intelligence, Addison-Wesley, 1999.
4. [Gen 97] Gen M. and Cheng B. Genetic Algorithms and Engineering Design,
New York, Wiley 1997.
5. [Goldberg 89] Goldberg D. E. Genetic Algorithms for Search, Optimization,
and Machine Learning. Reading, MA: Addison-Wesley 1989.
6. [Goldberg 91] Goldberg D. E. and Deb K. A Comparison of Selection
Schemes Used in Genetic Algorithms. In Foundations of Genetic Algorithms
1.(FOGA-1), pp. 69-93.
7. [Hilera 00] Hilera R. José y Martínez J. Victor, Redes Neuronales Artificiales
(Fundamentos, Modelos y Aplicaciones). Alfaomega & Ra-Ma, 2000.
8. [Haupt 98] Haupt Randy L. and Haupt Sue E. Practical Genetic Algorithms.
Wiley Inter-Science 1998.
9. [Holland 75] Holland J. H. Adaptation in Natural and Artificial Systems. Ann
Arbor, MI: MIT Press 1975.
10. [Kalyanmoy 01] Kalyanmoy
Deb. Multi-Objective Optimization Using
Evolutionary Algorithms. First Edition, Wiley 2001.
11. [Kidwell 94] Kidwell M. D. and Cook D. J. “Genetic Algorithm for Dynamic Task Scheduling”,
Proc. IEEE 13
th
Ann. Int’l Phoenix Conf. Computers and Comm., pp. 61-67, 1994.
12. [Koza 92] Koza, J. R. Genetic Programming: On the programming of
computer by means of natural selection. Cambridge, MA: MIT Press.
13. [Russell 95] Russell S. J., Norvig P. Artificial Intelligence: A Modern
Approach, Prentice-Hall, Englewood Cliffs, NJ, 1995.
14. [Yen 99] Yen John, Langari Reza. FUZZY LOGIC, Intelligence, Control and
Information. Prentice Hall, 1999.
15. [Zomaya 01] Zomaya Y. Albert and The Yee-Hwei. Observations on Using
Genetic Algorithms for Dynamic Load-Balancing. IEEE Transactions on Parallel
and Distributed Systems, Vol 12. No. 9, September 2001.
16. [Yu 04] Yu-Kwong Kwok, Lap-Sun Cheung. A new fuzzy-decision based
load balancing system for distributed object computing. Journal of Parallel and
Distributed Computing 64(2004) 238-253.
11.
PRÁCTICAS
Práctica
Nombre
Objetivo
Material y Equipo
Introducción
Actividades a
desarrollar
Diseño e Implementación de tópicos de Inteligencia
Artificial
Que el Alumno aplique e implemente los conceptos
que involucran las diferentes áreas de Inteligencia
Artificial.
Herramientas de software: Un lenguaje de
programación, MatLab (como herramienta de
simulación) y herramientas de hardware: Una
computadora personal.
La práctica trata de que el Alumno aprenda a
implementar los conceptos que involucran las
diferentes áreas de la inteligencia artificial.
Implementación de un algoritmo genético aplicando un
enfoque práctico.
Implementación de una red backpropagation aplicando
un enfoque práctico.
Implementación de un modelo práctico en lógica Fuzzy
Implementación de un sistema multiagentes con un
enfoque práctico.
Participación del
Maestro
Establecer como el maestro acompañara la práctica: El
Maestro proporcionará por escrito el procedimiento a
realizar y cada equipo contará con asesoría personal
de parte del Instructor.