Download 3055_Inteligencia_Artificial

UNIVERSIDAD DE MENDOZA – FACULTAD DE INGENIERÍA
CARRERA
INGENIERÍA EN COMPUTACIÓN
ASIGNATURA
INTELIGENCIA ARTIFICIAL
CÓDIGO
3055
CURSO
5
ÁREA
TECNOLOGÍAS APLICADAS
ULTIMA REVISIÓN
2011
MATERIAS CORRELATIVAS:
AÑO LECTIVO 2011
Profesor Titular:
Ing. Carlos Palacio
Profesores Asociados:
Dr. Enrique Miranda, Ing. Graciela Sevilla
Profesores Adjuntos:
Dr. Mario Molina
Jefes de trabajos prácticos:
Carga Horaria Semanal:
Carga Horaria Total:
Ing. Juan Pablo Marzetti
6
90
OBJETIVOS:

Dotar al alumno de los conocimientos fundamentales de la Inteligencia
Artificial, independientemente del dominio de aplicación.

Lograr una formación de base que permita afrontar con éxito cualquier
problema que requiera el uso de técnicas de Inteligencia Artificial.

Introducir al alumno en las áreas de la programación en lenguajes de IA,
representación del conocimiento, resolución de problemas y aprendizaje.
CAPITULO I: INTRODUCCION A LA INTELIGENCIA ARTIFICIAL
TEMA 1: Conceptos. 1.1. Definiciones de Inteligencia Artificial. 1.2. Reseña histórica.
1.3. Aplicaciones de Inteligencia Artificial. 1.4. Diferencias con los métodos
convencionales.
TEMA 2: Agentes inteligentes. 2.1. Introducción, características. 2.2 Estructura de los
agentes inteligentes. 2.3. Tipos. 2.4. Ambientes; propiedades.
CAPITULO II: EL PROBLEMA Y SU REPRESENTACION
TEMA 1: Heurística. 1.1. Definición y sus aplicaciones. 1.2. Agentes que planifican.
1
TEMA 2: Problemas. 2.1. Problemas de las 8 reinas, del 8 puzzle, del mapa de
caminos, del viajante, de las monedas falsas. 2.2. Proceso de Optimización. 2.3.
Compensación y Semi-Optimización. 2.4. Búsqueda sistemática y el Paradigma de
dividir y podar.
TEMA 3: Representación: 3.1. Espacios de búsqueda. 3.2. Representación del
espacio de estados. 3.3. Reducción del problema. 3.4. Grafos AND/OR. 3.5. Selección
de una representación.
CAPITULO III: BÚSQUEDA EN EL ESPACIO DE ESTADOS.
TEMA 1: Agentes que resuelven problemas. 1.1. Estrategias de búsqueda. 1.2.
Árboles de exploración.
TEMA 2: Búsquedas sin información. 2.1. Búsqueda por profundidad. 2.2.
Backtracking. 2.3. Búsqueda por amplitud. 2.4. Búsqueda en Grafos AND/OR
TEMA 3: Búsquedas con información: 3.1. Algoritmos BF, GBF. 3.2. Algoritmo A:
propiedades. 3.3. Método Escalada. 3.4. Juegos de dos agentes. 3.5. Minimax, AlfaBeta, métodos de ordenamiento.
CAPITULO IV: RAZONAMIENTO LÓGICO.
TEMA 1: Lógica clásica. 1.1. Repaso de lógica formal: operadores, cuantificadores,
reglas de inferencia. 1.2. Cálculo de predicados.
TEMA 2: Lógica difusa. 2.1. Incertidumbre, manejo. 2.2 Sistemas difusos: Lógica
clásica y mundo real. Números difusos. Aritmética difusa. Teoría de conjuntos difusos.
Lógica difusa. Ejemplo de aplicación.
CAPITULO V: SISTEMAS DE RAZONAMIENTO
TEMA 1: Sistemas de producción. 1.1. Introducción. 1.2. Procesamiento básico. 1.3.
Control; irrevocables, retroactivos. 1.4. Exploración de grafos. 1.5. Sistemas de
producción hacia atrás. 1.6. Sistemas de producción especializados; conmutativo,
descomponible.
TEMA 2: Sistemas de deducción hacia delante. 2.1. Forma Y/O para expresiones de
hechos. 2.2. Grafos. 2.3.Reglas para transformar grafos Y/O. 2.4.Expresiones con
variables; ejemplos.
TEMA 3: Sistemas de Deducción hacia Atrás. 3.1. Aplicación de Reglas. 3.2.
Condición de terminación. 3.3.Estrategia de control; ejemplos.
TEMA 4: Sistemas de Resolución por Refutación. 4.1. Sistemas de Producción. 4.2.
Estrategias de control; tipos. 4.3. Obtención de respuestas
CAPITULO VI: APRENDIZAJE I
.
TEMA 1: Aprendizaje. Conceptos. 1.1. Introducción. 1.2. Aprendizaje inductivo. 1.3.
Espacio de versiones. Algoritmo de eliminación del candidato. Consideraciones.
TEMA 2: Árboles de Decisión. 2.1. Representación. Algoritmo de Aprendizaje.
Consideraciones. Ejercicios de aplicación.
2
CAPÍTULO VII: APRENDIZAJE II
TEMA 1: Aprendizaje en las redes neuronales. 1.1. Fundamentos biológicos.
Representación. 1.2. Perceptrón: regla de aprendizaje, teorema de convergencia,
limitaciones. 1.3. Redes Multicapas: algoritmo de retropropagación. Memorización y
generalización. Mejoras del algoritmo. Ejercicios de aplicación.
TEMA 2: Algoritmos genéticos. 2.1. Teoría de la evolución. 2.2. Mecanismos
naturales de selección. 2.3. Operaciones básicas de algoritmos genéticos. 2.4.
Algoritmo canónico. 2.5. Ejemplo de aplicación.
TEMA 3: Aprendizaje bayesiano. 3.1. Probabilidad; a priori, condicional. 3.2.
Axiomas. 3.3. La regla de Bayes. 3.4. Aprendizaje Naïve Bayes.
Formación Práctica
Horas
Resolución de Problemas Rutinarios:
10
Laboratorio, Trabajo de Campo:
10
Resolución de Problemas Abiertos de Ingeniería:
10
Proyecto y Diseño:
PROGRAMA DE TRABAJOS PRÁCTICOS:
PRÁCTICO 1: Weka: introducción
PRÁCTICO 2: Aprendizaje: Árboles de decisión utilizando Weka
PRÁCTICO 3: Aprendizaje: Redes neuronales utilizando Weka
PRÁCTICO 4: Resolución heurística
PRÁCTICO 5: Ruby: introducción
PRÁCTICO 6: Algoritmos de búsqueda utilizando Ruby
PRÁCTICO 7: Sistemas de Razonamiento utilizando Ruby
ARTICULACIÓN HORIZONTAL Y VERTICAL DE CONTENIDOS:

Los contenidos abordados en esta materia se basan en conceptos de las
siguientes cátedras:
Asignatura

Curso
Informática I
1
Ingeniería de Software
4
Comparte e integra elementos horizontalmente con las siguientes cátedras:
Asignatura
Modelos y Simulación
Curso
5
3
CONDICIONES PARA REGULARIZAR LA MATERIA y RÉGIMEN DE EVALUACIÓN:
El alumno obtendrá la regularidad luego de:
 Cumplir con el 80% de asistencia
 Aprobar carpeta de trabajos prácticos
Habiendo obtenido la regularidad puede presentarse a rendir un examen final que
consiste en aprobar un ejercicio práctico en la computadora y luego rendir y aprobar un
examen oral teórico.
BIBLIOGRAFÍA:
Principal:
Autor
Título
Editorial
Año Ed.
Disp.
Russell, S.J.
Norvig, P.
Mitchell, Tom
Inteligencia Artificial. Un
enfoque moderno
Machine Learning
Pearson
2004
3
McGraw Hill
1997
1
Nilsson, Nils
Inteligencia Artificial. Una
nueva síntesis
McGraw Hill
2001
1
Autor
Título
Editorial
Año Ed.
Disp.
Bishop
Christopher M.
Britos – Hossian
– Garcia
Martinez - Sierra
Garcia Martinez
Ramon - Britos
Paola Veronica
García MartínezServentePasquint
Harris, John
Pattern Recognition and
Machine Learning
Mineria de Datos
Springer
2006
Nueva
Librería
2005
Cátedra
Ingenieria de Sistemas
Expertos
Nueva
Librería
2004
Cátedra
Sistemas Inteligentes
Nueva
Librería
2003
Cátedra
An Introduction to Fuzzy Logic
Applications
2000
Hilera González,
José Ramón
Redes Neuronales Artificiales:
Fundamentos, modelos,
aplicaciones
Redes de Neuronas Artificiales.
Un enfoque práctico
Kluwer
Academic
Press
Alfa Omega
Prentice Hall
2004
Learning and Soft Computing
MIT Press
2001
Master, Timothy
Practical Neural Networks
Recipes in C++
1993
Mitchell, Melanie
An Introduction to Genetic
Algorithm
Morgan
Kaufmann
Publishers
MIT Press
De Consulta:
Isasi Veñueda,
Pedro; Galván
León, Inés M.
Kecman, Vojislav
2000
1998
4
Nilsson, Nils
Norvig, Peter
Pearl, Judea
Winston, Patrick
H.; Horn,
Berthold K. P;
Principios de Inteligencia
Artificial
Paradigms of Artificial
Intelligence Programming:
Case Studies in Common Lisp
Heuristics
Lisp, 3ra Edición
Díaz de
Santos
Morgan
Kaufmann
Publishers
Addison
Wesley
Addison
Wesley
1987
2
1992
Cátedra
1984
1991
Cátedra
1
ESTRATEGIAS DIDÁCTICAS UTILIZADAS:

Clases expositivas

Trabajos teórico - prácticos grupales e individuales
RECURSOS DIDÁCTICOS UTILIZADOS:




Textos
Pizarrón y marcador
Presentaciones multimedia
Guías de trabajos prácticos
PROGRAMA DE EXAMEN:
Coincide con el analítico
5