Download Temas - Instituto Tecnológico de Toluca

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