Download Bajar programa en Word

División de Arquitectura, Diseño e Ingeniería
Departamento de Ciencias Computacionales
Periodo: Primavera 2004
Nombre del curso: Inteligencia Artificial
Clave : SC2250
Nombre del Profesor: Ing. Rolando Rafael Hernández Cisneros
Objetivo general del Curso: Conocerá los principales conceptos de Inteligencia Artificial, y
aplicará estos conocimientos en la solución de problemas.
Objetivos Específicos:
1. Entenderá la importancia de la inteligencia artificial como tema de estudio, y definirá el término
“inteligencia artificial”
2. Conocerá las funciones de un agente inteligente, cómo se relaciona éste con su medio, cómo
se evalúa y cómo se podría construir uno.
3. Comprenderá cómo puede un agente encontrar una secuencia de acciones que cumpla sus
metas, cuando ninguna acción individual lo puede lograr.
4. Comprenderá la importancia de la información sobre el espacio de estados para evitar que los
algoritmos emprendan búsquedas “a ciegas” y se pierdan sin encontrar la solución.
5. Comprenderá cómo puede un agente resolver problemas que están sujetos a restricciones
que deben cumplirse.
6. Aprenderá a diseñar agentes que pueden formar representaciones del mundo, usar un
proceso de inferencia para derivar nuevas representaciones sobre el mismo y usar estas
nuevas representaciones para deducir su curso de acción.
7. Aprenderá a representar el mundo en términos de objetos y relaciones entre ellos, con la
finalidad de realizar razonamientos posteriores sobre los mismos.
8. Definirá mecanismos de inferencia que permitan responder de manera eficiente a preguntas
formuladas en lógica de primer orden.
9. Conocerá cómo se puede usar la lógica de primer orden para representar los aspectos más
importantes del mundo real, como acciones, tiempo, espacio y eventos mentales.
10. Comprenderá cómo puede un agente resolver problemas bajo condiciones de incertidumbre.
11. Conocerá los sistemas de razonamiento basados en modelos de redes, y con base en las
leyes de la teoría de la probabilidad, su empleo para razonar en situaciones de incertidumbre.
12. Conocerá agentes capaces de mejorar su comportamiento (aprender) mediante el estudio de
experiencias propias.
13. Examinará el problema del aprendizaje cuando ya se cuenta con conocimientos previos del
mundo.
14. Estudiará el aprendizaje como una forma de razonamiento incierto a partir de las
observaciones.
15. Conocerá cómo la computadora puede percibir el mundo real mediante la visión artificial.
16. Conocerá cómo los agentes pueden manipular el mundo físico mediante efectores, tales
como piernas, ruedas, articulaciones y pinzas.
Revisión No. 1
D:\81936773.doc
Pág. 1 de 6
División de Arquitectura, Diseño e Ingeniería
Departamento de Ciencias Computacionales
Contenido y calendarización:
1. Inteligencia artificial (21 y 28 de Enero)
1.1. Introducción
1.1.1. Definición de inteligencia artificial
1.1.2. Fundamentos de inteligencia artificial
1.1.3. Historia de la inteligencia artificial
1.1.4. Situación actual de la inteligencia artificial
1.2. Agentes inteligentes
1.2.1. Agentes y ambientes
1.2.2. Concepto de Racionalidad
1.2.3. Naturaleza de los ambientes
1.2.4. Estructura de los agentes
2. Procedimientos para la solución de problemas (4, 11 y 18 de Febrero)
2.1. Solución de problemas mediante la búsqueda
2.1.1. Agentes que resuelven problemas
2.1.2. Ejemplos de problemas
2.1.3. Búsqueda de soluciones
2.1.4. Estrategias de búsqueda sin información
2.1.4.1. Búsqueda primero en anchura
2.1.4.2. Búsqueda de costo uniforme
2.1.4.3. Búsqueda primero en profundidad
2.1.4.4. Búsqueda de profundidad limitada
2.1.4.5. Búsqueda de profundización iterativa
2.1.4.6. Búsqueda bidireccional
2.1.5. Manejo de estados repetidos
2.1.6. Búsqueda con información parcial
2.2. Búsqueda y exploración informadas
2.2.1. Estrategias de búsqueda informada (heurística)
2.2.1.1. Búsqueda avara
2.2.1.2. Búsqueda A*
2.2.1.3. Búsqueda heurística acotada por memoria
2.2.2. Funciones Heurísticas
2.2.3. Algoritmos de búsqueda local y problemas de optimización
2.2.3.1. Búsqueda por ascenso de cima (Hill-climbing search)
2.2.3.2. Búsqueda por recocido simulado (simulated annealing search)
2.2.3.3. Búsqueda local en haz (Local beam search)
2.2.3.4. Algoritmos genéticos
2.2.4. Búsqueda local en espacios continuos
2.2.5. Agentes de búsqueda en línea y ambientes desconocidos
2.3. Problemas de satisfacción de restricciones
2.3.1. Problemas de satisfacción de restricciones (PSRs)
2.3.2. Búsqueda por backtracking en PSRs
2.3.3. Búsqueda local para PSRs
2.3.4. Estructura de los PSRs
Revisión No. 1
D:\81936773.doc
Pág. 2 de 6
División de Arquitectura, Diseño e Ingeniería
Departamento de Ciencias Computacionales
3. Conocimiento y Razonamiento (25 de Febrero; 3, 10 y 17 de Marzo)
3.1. Agentes Lógicos
3.1.1. Agentes basados en conocimiento
3.1.2. Ejemplos de problemas
3.1.3. Lógica
3.1.4. Lógica proposicional
3.1.5. Patrones de razonamiento en lógica proposicional
3.1.6. Inferencia proposicional efectiva
3.1.7. Agentes basados en lógica proposicional
3.2. Lógica de primer orden
3.2.1. Repaso de representación
3.2.2. Sintaxis y semántica de la lógica de primer orden
3.2.3. Uso de la lógica de primer orden
3.2.4. Ingeniería de conocimiento en la lógica de primer orden
3.3. Inferencia en lógica de primer orden
3.3.1. Comparación entre inferencia proposicional y de primer orden
3.3.2. Unificación
3.3.3. Encadenamiento hacia delante (forward chaining)
3.3.4. Encadenamiento hacia atrás (backward chaining)
3.3.5. Resolución
3.4. Representación del conocimiento
3.4.1. Ingeniería ontológica
3.4.2. Categorías y objetos
3.4.3. Acciones, situaciones y eventos
3.4.4. Eventos y objetos mentales
3.4.5. Sistemas de razonamiento para categorías
3.4.6. Razonamiento con información por defecto
4. Conocimiento incierto y razonamiento(24 y 31 de Marzo)
4.1. Incertidumbre
4.1.1. Actuación ante la incertidumbre
4.1.2. Notación básica de probabilidad
4.1.3. Axiomas de probabilidad
4.1.4. Inferencia usando distribuciones conjuntas completas
4.1.5. Independencia
4.1.6. Regla de Bayes y su uso
4.1.7. Problemas de ejemplo
4.2. Sistemas de razonamiento probabilístico
4.2.1. Representación del conocimiento en un dominio incierto
4.2.2. Semántica de las redes bayesianas
4.2.3. Representación eficiente de las distribuciones condicionales
4.2.4. Inferencia exacta en las redes bayesianas
4.2.5. Inferencia aproximada en las redes bayesianas
4.2.6. Extensión de la probabilidad a representaciones de primer orden
4.2.7. Otros enfoques aplicados al razonamiento incierto
Revisión No. 1
D:\81936773.doc
Pág. 3 de 6
División de Arquitectura, Diseño e Ingeniería
Departamento de Ciencias Computacionales
5. Aprendizaje (14, 21 y 28 de Abril)
5.1. Aprendizaje a partir de la observación
5.1.1. Formas de aprendizaje
5.1.2. Aprendizaje inductivo
5.1.3. Aprendizaje con árboles de decisión
5.1.4. Aprendizaje por ensamble
5.1.5. Teoría del aprendizaje computacional
5.2. Conocimiento en Aprendizaje
5.2.1. Una formulación lógica del aprendizaje
5.2.2. Conocimiento en aprendizaje
5.2.3. Aprendizaje basado en la explicación
5.2.4. Aprendizaje usando información relevante
5.2.5. Programación inductiva lógica
5.3. Métodos de aprendizaje estadístico
5.3.1. Aprendizaje estadístico
5.3.2. Aprendizaje con datos completos
5.3.3. Aprendizaje con variables ocultas
5.3.4. Aprendizaje basado en instancias
5.3.5. Redes Neuronales
5.3.6. Máquinas Kernel
6. Percepción y actuación (5 y 12 de Mayo)
6.1. Percepción
6.1.1. Introducción
6.1.2. Formación de imágenes
6.1.3. Operaciones elementales en el procesamiento de imágenes
6.1.4. Extracción de información tridimensional
6.1.5. Reconocimiento de objetos
6.1.6. Uso de la visión para manipulación y navegación
6.2. Robótica
6.2.1. Introducción
6.2.2. Hardware de robótica
6.2.3. Percepción robótica
6.2.4. Planeación de movimiento
6.2.5. Planeación de movimientos inciertos
6.2.6. Movimiento
6.2.7. Arquitecturas de Software Robótico
6.2.8. Dominios de aplicación
Metodología:
Se realizará la exposición de los temas por parte del profesor y los alumnos, con el apoyo del
equipo de cómputo de las aulas activas.
Se realizarán 5 trabajos parciales por equipos, en los cuales se utilizará lo aprendido en las
áreas principales del curso. Las calificaciones obtenidas en dichos trabajos parciales se
promediarán para obtener la calificación correspondiente al trabajo final. Dichos trabajos
consisten en:
Revisión No. 1
D:\81936773.doc
Pág. 4 de 6
División de Arquitectura, Diseño e Ingeniería
Departamento de Ciencias Computacionales
1) Elaboración de un programa computacional que implemente los diversos tipos de
búsqueda sin información (anchura, profundidad, profundidad limitada, profundización
iterativa, costo uniforme) y con información (búsqueda avara, A*, A* SRM), para un
espacio de estados, operadores y una meta proporcionados por el usuario.
2) Utilización de Prolog para la modelación de un problema real en lógica de primer orden y
realización de consultas al modelo.
3) Utilización de una herramienta de Redes Bayesianas para modelar un problema del
mundo real del cual se tiene conocimiento incierto, y realización de consultas al modelo.
4) Utilización de una herramienta de Árboles de Decisión para el aprendizaje de una
situación del mundo real, y realización de consultas al modelo.
5) Utilización de una herramienta de Redes Neuronales Artificiales para el aprendizaje de
una situación del mundo real, y realización de consultas al modelo.
Sistema de Evaluación:
1. La evaluación será continua, es decir, además de los exámenes parciales habrá exámenes
frecuentes (con un mínimo de tres en cada parcial) que serán aplicados de manera imprevista
y en el momento más apropiado.
2. La evaluación de cada unidad o proyecto se basará en los objetivos de aprendizaje
previamente establecidos. Los mismos se especificarán antes de iniciar cada unidad o
proyecto.
3. En caso de deshonestidad académica (copiar, permitir copia, etc.) se le reportará al alumno
una calificación final de cero, independientemente de que la copia haya sido realizada en los
exámenes parciales, examen final, trabajo final, e incluso en los exámenes frecuentes.
4. Las calificaciones parciales serán formadas de la siguiente manera:
70%
Examen Parcial
30%
Tareas, ejercicios y exámenes frecuentes.
1. La calificación final se formará de la siguiente manera:
60%
Exámenes Parciales
25%
Examen Final
15%
Trabajo Final
2. Las fechas de los exámenes serán como sigue:
Primer Parcial:
18 de Febrero de 2004
Segundo Parcial:
24 de Marzo de 2004
Tercer Parcial:
28 de Abril de 2004
Examen Final:
19 de Mayo de 2004
3. Las tareas deberán ser entregadas en clase. Cada tarea deberá tener en la parte superior de
la hoja su nombre y matrícula, nombre de la materia, título de la tarea y fecha de entrega.
4. Los trabajos parciales serán desarrollado en equipos, serán notificados con anticipación
suficiente y se deberán entregar con su documentación correspondiente en la fecha que se
indique.
Revisión No. 1
D:\81936773.doc
Pág. 5 de 6
División de Arquitectura, Diseño e Ingeniería
Departamento de Ciencias Computacionales
Asesoría:
Se ofrecerá asesoría académica (con previa cita.) El horario es lunes y martes de 15:00 a
17:00 horas
Bibliografía:
Libro de Texto:
Artificial Intelligence: A Modern Approach. Second Edition.
Stuart Russell y Peter Norvig.
Prentice Hall, 2003.
Libros de Consulta:
Inteligencia Artificial: Una Nueva Síntesis.
Nils J. Nilsson.
McGraw-Hill Interamericana, España, 2001.
Engineering of Mind: An Introduction to the Science of Intelligent Systems,
James S. Albus.
Wiley, 2001.
Intelligent Systems: Architecture, Design, Control.
James S. Albus.
Wiley, 2001.
AI Application Programming.
M. Tim Jones.
Charles River Media, 2003.
.
Understanding Artificial Intelligence.
Editors Scientific American.
Warner Books, 2002.
Artificial Intelligence: Structures and Strategies for Complex Problem Solving
George F. Luger y William A. Stubblefield
Addison Wesley, 1998.
Firma de autorización
Revisión No. 1
D:\81936773.doc
Pág. 6 de 6