Download Temas - Instituto Tecnológico de Toluca
Document related concepts
Transcript
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Herramientas par la Toma de decisiones. Aplicaciones III Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: BDM-0706 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 Asignaturas Temas Todos decisiones II 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 Temas Subtemas 1 Procesamiento de la información 1.1 Desarrollo de Casos de Estudio mediante Procesamiento de la información 2 Agrupamiento de la información 2.1 Desarrollo de Casos de Estudio mediante Agrupamiento de la información 2 3 Modelación mediante Inferencia Gramatical 3.1 Desarrollo de Casos de Estudio mediante Modelación mediante Inferencia Gramatical 4 Aprendizaje con Redes Bayesianas 4.1 Desarrollo de Casos de Estudio mediante Aprendizaje con Redes Bayesianas 5 Redes Neuronales 5.1 Desarrollo de Casos de Estudio mediante Redes Neuronales 6.- APRENDIZAJES REQUERIDOS Contenidos de Inteligencia Artificial I, Matemáticas Discretas, Toma de decisiones I, Toma de decisiones II, 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 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. 3 9.- UNIDADES DE APRENDIZAJE Unidad 1: Procesamiento de la información Objetivo Actividades de Aprendizaje Educacional Conocer el uso del procesamiento de la información Conocer diferentes aplicaciones comerciales, libres y desarrolladas por diferentes investigadores. Utilizar la metodología establecida en materias antecesoras para el desarrollo de una aplicación práctica Fuentes de Información 5,21, 22,23, 24,25,26 UNIDAD 3: Modelación mediante Inferencia Gramatical Objetivo Actividades de Aprendizaje Educacional Conocer el uso de la Inferencia Gramatical y su empleo como modelador Identificará las aplicaciones existentes Conocerá la metodología empleada Propondrá el desarrollo de una aplicación práctica Fuentes de Información 8,20,21, 22, 23 UNIDAD 4: Aprendizaje con Redes Bayesianas Objetivo Actividades de Aprendizaje Educacional Conocer el uso de la Inferencia exacta y aproximada en Redes Bayesianas Identificará diferentes tipos de inferencia Conocerá los diferentes tipos de algoritmos empleados Propondrá el desarrollo de al menos una Fuentes de Información 6,9 4 aplicación práctica. Unidad 5: Redes Neuronales Artificiales. Objetivo Actividades de Aprendizaje Educacional Profundizar en el uso de las redes neuronales artificiales de los modelos estudiados en los cursos anteriores Fuentes de Información Identificar un tema en particular que Específica para permita el desarrollo de un trabajo de tesis. cada tema Desarrollar el tema seleccionado en el punto anterior. 10. FUENTES DE INFORMACIÓN 1.- Pattern Recognition, Conceptos, Methods and Aplications J.P. Marques de Sá Springer 2.- Notas del curso de e-Lerning 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 Gonzalez and Woods Prentice Hall 6.- Inteligencia Artificial un enfoque moderno Stuart Russell & Peter Norving Prentice Hall 7.- The Pattern Recognition Basis in Artificial Inteligence R. Tveter 8.- Pattern Recognition:m Statical, Structural and Neural Approaches Robert J. Schalkoff John Wiley & Sons, Inc., 1992 9.- http://www.niedermayer.ca/papers/bayesian/ 10.- Compiladores Principios, técnicas y herramientas, Aho, Sethi, Ullman Addison Wesley. 11.- Compiladores Conceptos Fundamentales, Teufel, Schmidt, Teufel, AddisonWesley Iberoamericana. 5 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 Adquisition 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.- Amador G. Claudia; Adquisición Automática del Conocimiento utilizando inferencia Gramatical para Ginecología; tesis de Licenciatura, ITT Ago 2003 23.- Torres P. Octavio; Constructor Automático de Gramáticas de Documentos estructurados en XML; Tesis de Maestría ITT, Ago 2003 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.- Intoduction techniques for Computer vision, Gmanuele trucco Alessandro Verri Prentice may USA 1998 26.- Image Processing and Patter Recognition; Cornelious T. Leondes,Academic Press (Vol 5 of neural networks). 6