Download Temas - Instituto Tecnológico de Toluca

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