Download Temas - Instituto Tecnológico de Toluca
Document related concepts
Transcript
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Herramientas para la Toma de decisiones II Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: BDE-0705 Horas teoría-horas práctica-créditos: 4-0-8 2.- HISTORIA DEL PROGRAMA Lugar y fecha de elaboración o revisión Participantes Observaciones (cambios y justificación) Instituto Tecnológico de Representante de Definición de los programas Toluca, del 07 al 25 de Comité del Posgrado en de estudios para la Agosto de 2006 Ciencias de la especialidad en Inteligencia Computación Artificial Institutos tecnológicos Academias de la carrera Análisis y enriquecimiento de de Toluca de Sistemas y las propuestas de los Computación y programas diseñados en la Academia del Posgrado reunión nacional de en Ciencias en Ciencias evaluación Computacionales 3.- UBICACIÓN DE LA ASIGNATURA a). Relación con otras asignaturas del plan de estudio Anteriores Posteriores Asignaturas Toma de Temas Todos Decisiones I Asignaturas Toma de Temas - decisiones III b). Aportación de la asignatura al perfil del egresado Capacidad de análisis, de desarrollo y de programación de modelos matemáticos, estadísticos y de simulación de comportamientos humanos. Coordina y realiza investigaciones que fortalezcan el desarrollo cultural, científico y tecnológico. Aplica nuevas tecnologías a la solución de problemas de su entorno laboral. Desarrolla interfaces hombre-máquina. 4.- OBJETIVO(S) GENERAL(ES) DEL CURSO Conocer las herramientas de Inteligencia Artificial con las que se elaboran sistemas para la toma de decisiones a partir del análisis de datos 5.- TEMARIO Unidad 1 Temas Procesamiento de Lenguaje Natural Subtemas 1.1 1.3 Lenguajes Formales. Usos de la Gramática Métodos de construcción Gramatical Aplicaciones 2.1 2.2 Detección de Contornos Representación 1.2 2 Video 2 3 Métodos Bayesianos 3.1 Toma de Decisiones 3.1.1 Simples 3.1.2 Complejas 4 Técnicas de Agrupamiento 4.1 4.2 Medidas de Similaridad Algoritmos de Agrupamiento para datos categóricos Algoritmos para grandes bases de datos 4.3 5 Redes Neuronales 5.1 5.2 5.3 5.4 Perceptron Multicapa Red SOM Red ART Red RBF 6.- APRENDIZAJES REQUERIDOS Contenidos de Inteligencia Artificial I, Matemáticas Discretas, Toma de decisiones I, Datawarehouse 7.- SUGERENCIAS DIDÁCTICAS Propiciar la búsqueda y selección de información sobre temas de inteligencia humana y artificial. Organizar exposición de temas por equipo. Elaborar un proyecto vinculado a problemas de juegos. Propiciar debates sobre temas relacionados, con sesiones de preguntas y respuestas. Propiciar la resolución en conjunto de problemas relacionados con la materia. Utilizar un software para el diseño y análisis de los temas del curso. Desarrollar un mapa conceptual sobre inteligencia artificial, donde se establezcan los conceptos y sus relaciones. 8.- SUGERENCIAS DE EVALUACIÓN 3 Desarrollo de proyecto final (informe, presentación y defensa del proyecto). Evaluación de informes sobre tareas o trabajos de investigación. Evaluación escrita. Desempeño y participación en el aula. 9.- UNIDADES DE APRENDIZAJE Unidad 1: Procesamiento de Lenguaje Natural Objetivo Actividades de Aprendizaje Educacional Comprenderá la teoría de lenguajes de contexto libre y el rol de la Gramática Identificar los diferentes tipos de lenguajes de acuerdo a la clasificación de Chomsky y el uso de la gramática en cada uno de ellos. Conocer los diversos métodos para realizar la construcción de gramáticas a partir de ejemplos Investigar las aplicaciones que tiene la construcción de Gramáticas para los lenguajes libres de contexto. Analizar las aplicaciones de la construcción automática de la Gramática para lenguajes libres de Contexto. Fuentes de Información 10, 11, 13 1, 7, 8, 13, 20, 21 UNIDAD : 2 Visión Artifical Objetivo Actividades de Aprendizaje Educacional El alumno conocerá los diferentes modelos de color así como la segmentación de imágenes y la representación de la misma. Conocer los Fundamentos de color Identificar los diferentes Modelos de Color Desarrollar Transformaciones de color Conocer mediante aplicaciones lo que es la Segmentación a color Conocer mediante ejemplos la Detección de contornos Fuentes de Información 5,21, 22,23, 24,25,26 4 Conocer la Segmentación de regiones Conocer como se realiza la representación en una imagen digital Conocer como de describen regiones en una imagen digital. Unidad 3: Métodos Bayesianos Objetivo Actividades de Aprendizaje Educacional Comprenderá la teoría de decisiones de un agente, combinada con la teoría de probabilidad Identificar agentes que pueden tomar decisiones racionales basados en lo que creen y en lo que quieren Conocer las bases de la teoría de utilidad. Investigar la incorporación de la información de utilidad en sistemas expertos Analizar las aplicaciones de los problemas de decisiones secuenciales apoyándose en procesos de decisión markoviana. Fuentes de Información 6, 9 Unidad 4: Técnicas de Agrupamiento Objetivo Actividades de Aprendizaje Educacional Comprender las mediadas de similaridad que se utilizan para los datos categóricos, algoritmos de agrupamiento para datos categórico, y su efecto con grandes volúmenes de información Identificar las mediadas de similaridad para datos categóricos Aprenderá la lógica del algoritmo KModas, C-Clik y CBC Fuentes de Información 1,3,7,8 5 UNIDAD 5: Redes Neuronales Artificiales Objetivo Actividades de Aprendizaje Educacional El estudiante aprenderá las bases teóricas de los modelos de las redes neuronales artificiales supervisadas y no supervisadas: Perceptron Multicapas, SOM, ART, y RBF Profundizar en el conocimiento de las redes neuronales Perceptron Multicapa y SOM. Conocer los modelos de red neuronal ART y RBF. Identificar las diferencias entre las redes Perceptron Multicapa y RBF. Identificar las diferencias entre las redes SOM y RBF. Aplicar las redes construidas a un problema de toma de decisiones. Fuentes de Información 2, 22 10. FUENTES DE INFORMACIÓN 1.- Pattern Recognition, Concepts, Methods and Applications J.P. Marques de Sá Springer 2.- Notas del curso de e-Learning Dr. Eduardo Gasca Alvarez 3.- Finding Groups In Data. An Introduction to cluster Analysis Leonard Kaufman/ Peter J.Rousseuw Wiley Inter-s Science 4.- Sistemas Expertos Principios y Programación Giarratano Ruley 5.- Tratamiento Digital de imágenes Rafael González and Woods Prentice Hall 6.- Inteligencia Artificial un enfoque moderno Stuart Russell & Peter Norving Prentice Hall 7.- The Pattern Recognition Basis in Artificial Intelligence R. Tveter 8.- Pattern Recognition: Statistical, Structural and Neural Approaches Robert J. Schalkoff John Wiley & Sons, Inc., 1992 9.- An introduction to Bayesian Networks and the Contemporary Applications; Daryle Niedermayer; Dic 1998; http://www.niedermayer.ca/papers/bayesian/ 10.- Compiladores Principios, técnicas y herramientas, Aho, Sethi, Ullman Addison Wesley. 6 11.- Compiladores Conceptos Fundamentales, Teufel, Schmidt, Teufel, AddisonWesley Iberoamericana. 12.- Chomsky, Noam. Temas teóricos de gramática generativa. De. Siglo XXI. 5a de. México. 1990 13.- Hopcroft, J. & Ullman, J. Introducción a la teoría de autómatas, Lenguajes y Computación. Ed. CECSA. 1a. Ed. México.1993 14.- Herbert Schildt. Artificial Intelligence Using C (Cap. 4 – Lenguaje Natural). Ed. Mc Graw Hill., 1987 15.- Kennedy, Ruby, L.; Solving Data Mining Problems through Pattern Recognition; Prentice Hall, 1998. 16.- Fohmann, L. Knowledge Acquisition and Machine Learning. A. I. and Expert Systems. Editor Stuart Savory. John Wiley & Sons.USA. 1988. 17.- Rich, E. & Knight, K. Inteligencia Artificial. McGraw Hill . 2a. ed. España 1994. 18.- David W. Rolston. Principios de Inteligencia Artificial y Sistemas Expertos. Editorial McGraw Hill. 19.- Escudero, L.F. Reconocimiento de Patrones. Ed. Paraninfo. España. 1977 20.- González, R. & Thomason, G. Syntactic Pattern Recognition. An introduction. Addison Wesley Publishing Co. USA. 1978. 21.- Tou, Julius, T. Gonzalez, R; Pattern Recognition Principles; Addison Wesley, 1974 22.- The image processing Handbook ; John C. Russ, CRC press 1994 USA 23.- Digital Image processing; Kenneth R. Castleman, Prentice Hall 1996 USA 24.- Computer Vision and Image processing, Linda Shapro and Azriel Rarenteld Academic Press, USA 1992. 25.- Introduction techniques for Computer vision, Gmanuele trucco Alessandro Verri, Prentice may USA 1998 26.- Image Processing and Pattern Recognition; Cornelious T. Leondes, Academic Press (Vol 5 of neural networks). 27.- Manuales de uso de Neurosolution 7