UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD
DE INGENIERÍA DE SISTEMAS E
INFORMÁTICA
Escuela Académico Profesional de Ingeniería de Sistemas
1.
ESPECIFICACIONES GENERALES
Nombre del Curso : INTELIGENCIA
ARTIFICIAL
Código del Curso : 207008
Duración del Curso : 17 semanas
Forma de Dictado
: Técnico - experimental
Horas semanales : Teoría: 3h – Laboratorio: 2h
Naturaleza
: Formación profesional
Número de
créditos : Cuatro (04)
Prerrequisitos
: 205007 – Investigación Operativa I
Semestre
académico :
2015 – 0
Coordinador
: Hugo Vega
Profesor : Hugo Vega
2. INTRODUCCIÓN
La inteligencia artificial es un área de la ciencia de la computación
que tiene por objetivo desarrollar los fundamentos prácticos y teóricos para el
desarrollo de sistemas de computación que presentan características
inteligentes y que por lo general corresponden a problemas intratables. Muchos
problemas que ocurren en la industria, servicios y entretenimiento corresponden
a problemas inteligentes, y su solución se hace cada vez más indispensable en
las organizaciones debido a las exigencias de competitividad que se incrementan
cada día.
Entre los diversos tipos de sistemas inteligentes se encuentran los
juegos humano-máquina, los sistemas basados en el conocimiento, los sistemas de
optimización y machine learning.
En el presente curso, se hace una introducción a la inteligencia
artificial y sus aplicaciones en la industria, servicios y entretenimiento, y
se muestra como las tecnologías basadas en inteligencia artificial pueden crear
valor y hacer que las organizaciones sean más competitivas. También se mostrará
sus aplicaciones en la ingeniería de software.
Se aborda con mayor profundidad el diseño e implementación de juego
humano-máquina y de sistemas basados en el conocimiento.
3. LOGRO DEL
CURSO
Al finalizar el
curso el alumno adquirirá conocimientos generales del área de inteligencia
artificial, diseñará e implementará juegos de competición humano-máquina
basados en inteligencia artificial y sistemas basados en el conocimiento,
haciendo uso de manera clara y precisa de las técnicas de búsqueda en un
espacio de estado y de la metodología CommonKADS.
4. UNIDADES DE
APRENDIZAJE
UNIDAD Nº 1: Fundamentos de Inteligencia
Artificial
|
Logro
El estudiante al finalizar la unidad comprenderá que es la
inteligencia artificial (IA) y su diferencia con los sistemas de información,
algunas aplicaciones en la industria y servicios, y su dificultad para
resolverlos a través de la teoría de complejidad de problemas.
Temario
Clasificación de problemas algorítmicos, problemas P y NP. Problemas
de decisión, localización y optimización. Descripción de algunos problemas
NP-difícil.
Definición de la IA, Máquina inteligente. Diferencia entre sistemas
operacionales y sistemas inteligentes. Revisión de la representación del
conocimiento, revisión de los lenguajes de
|
UNIDAD Nº 2: Búsqueda de Estado y su
Aplicación para Juegos Humano – Máquina
|
Logro
El estudiante al finalizar la unidad representará problemas de
inteligencia artificial como búsqueda de estado, conocerá los métodos de
búsqueda de estado para resolverlos, y diseñará juegos humano-máquina, que
será prácticamente invencible por el humano, para ello definirá la función de
evaluación más adecuada e implementará diversos criterios inteligentes de
decisión.
Temario
|
UNIDAD Nº 3: Ingeniería de conocimiento
|
Logro
El estudiante al finalizar la unidad comprenderá que son los sistemas
expertos (SE), sus aplicaciones sabrá cuando aplicarlo, y modelará sistemas
basados en el conocimiento siguiendo la metodología de facto CommonKADS.
Temario
Definición de SE. Arquitectura, taxonomía, aplicaciones, y ventajas de
SE. Requisitos para el desarrollo de SE. Introducción a la ingeniería de
conocimiento. Métodos de desarrollo de sistemas basados en el conocimiento
(SBC). La metodología CommonKADS (CK). Construcción de un SBC usando CK:
modelo de contexto, modelo conceptual y modelo de diseño.
|
UNIDAD Nº 4: Desarrollo y validación
de Sistemas Expertos
|
Logro
El estudiante al finalizar la unidad podrá diseñar, implementar y
validar un sistema experto para ello aprenderá a adquirir y representar el
conocimiento, diseñar motores de inferencia, calcular los ratios de
performance de un sistema experto, y reforzará lo aprendido mediante diversos
ejemplos clásicos de sistemas expertos.
Temario
Adquisición de conocimiento. Construcción de la base de hechos y base
de conocimiento. Estructuras de representación de conocimientos. El motor de
inferencia. Los métodos de encadenamiento regresivo y progresivo. Principales
errores en el desarrollo de un SE. Calidad de un SE. Eficiencia y error de
SE. Índice de acuerdo, sensibilidad y especificidad.
|
UNIDAD Nº: 5 Introducción a Machine
Learning y a Heurísticas
|
Logro
El estudiante al finalizar comprenderá que es la optimización
combinatoria y machine learning así como sus aplicaciones para crear valor e
incrementar la competitividad de las organizaciones a través de casos de
estudios y talleres.
Temario
|
5. CONTENIDO POR SEMANAS:
>
| SEMANA | CONTENIDO |
CLASES
| TRABAJOS |
|
1°
| Clasificación de problemas algorítmicos [Inglés]
Presentación del curso. Clasificación de problemas algorítmicos, problemas P y NP. Problemas de decisión, localización y optimización. Descripción de algunos problemas NP-difícil.
Referencias: [4] Capítulo 1, [1] Anexo A.
| 
Semana1:
Clasificacion de Problemas Algoritmicos | 
Trabajo: Árbol
|
2°
|
Definición de la Inteligencia Artificial. Máquina inteligente. Diferenci a entre sistemas operacionales y sistemas inteligentes. Aplicaciones en la industria y servicios (robótica, planificación, gestión de desperdicios). Test de Turing.
Referencias: [1] Capítulo 1, [2] Capítulo 1, [9] Capítulo 1.
|
Semana 2:
| 
Laboratorio: Ejercicios lisp
Diseño Sistema Inteligente |
3°
| Representación de problemas de juego humano – máquina como búsqueda en un espacio de estado
Definición de problemas de la IA como problemas de búsqueda en un espacio de estado. Representación de problemas de juegos humano – máquina.
Referencias: [1] Capítulos 3, [3] Capítulo 2, [4] Capítulo 3.
|
Semana 3 :
Representación de Problemas de Juego humano |  Manual LISP1 |
4° y 5°
| Métodos de búsqueda ciega e Informados
El problema de búsqueda en un espacio de estado como grafo. La imposibilidad de usar métodos de caminos mínimos. El concepto de los métodos de búsqueda ciega e informada. El árbol de estado. Los métodos ciegos: amplitud, profundidad, no-deterministico.
La función evaluadora, métodos que usan información adicional: primero el mejor, ascenso a la colina, A*, ramificación y acotación.
Referencias: [1] Capítulo 4, [2] Capítulo 5, [3] Capítulo 3, [4] Capítulos 5, [9] Capítulos 9
| 
Semana 4 y 5:
Métodos de búsqueda
a ciega e Informados
|
Ejercicios Recursividad
|
6°
| Métodos de búsqueda para juegos humano-máquina Algoritmo de juego humano – máquina. Estrategias de juego de máquina: no determinístico, primero el mejor, min-max y mejor diferencia de utilidades. Algoritmo min-max y alfa-beta.
Referencias: [1] Capítulo 5, [2] Capítulos 6, [3] Capítulos 4, [4] Capítulos 6, [9] Capítulos 12.
| 
Semana 6:
Métodos de búsqueda
para juegos humano- maquina
| |
7°
| Presentación de Trabajos Los alumnos mostrarán sus habilidades en cuanto al desarrollo de sistemas inteligentes y sus aplicaciones en los sectores de la industria y servicio. Los alumnos presentarán un informe y un software. |  |  |
8º
| Examen Parcial |
Examen Parcial
Version 1
|
Examen Parcial
Versión 2 |
9°
| Fundamentos de sistemas expertos
Definición de Sistemas Expertos. Arquitectura de un sistema experto. Taxonomía y aplicaciones de los sistemas expertos. Requisitos para el desarrollo de sistemas expertos y ventajas del uso de sistemas expertos. Algunos problemas basados en el conocimiento.
Referencias: [6] Capítulo 1 | 
Semana 9:
Fundamento de SE
| 
Recorrido por Profundidad y Amplitud
|
10°
|
Introducción. Adquisición de conocimiento. La metodología C ommonKADS. Diseño de Sistemas Expertos (SE). Ciclo de vida de un SE.
Referencias: [6] Capítulos 6, [7] Capítulos 19. |
Semana 10:
Ingeniería de
Conocimiento
| |
11°
|
Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento. Estructuras de representación de conocimientos (reglas de inferencias, frames, objects, ontologías, metadatos, thesaurus).
Referencias: [6] Capítulos 6, [7] Capítulos 19. |
Semana 11:
Adquisición de Conocimiento | |
12°
|
Construcción de la base de hechos y base de conocimiento. El motor de inferencia. Los métodos de encadenamiento regresivo, progresivo y reversibilidad. Técnicas de equiparación, el algoritmo RETE. Técnicas de resolución de conflictos.
Referencias: [1] Capítulos 6 y 8, [2] Capítulo 7, [6] Capítulo 3, [7] Capítulo 3.
|
Semana 12:
Desarrollo de SE basado en Reglas
| |
13°
|
Principales errores en el desarrollo de un sistema experto. Calidad de un sistema experto. Validación de sistemas inteligentes, métodos cuantit ativos de validación. Eficiencia y error de sistemas expertos. Revisión de la funcionalidad del SE del 2do trabajo.
Tareas: ejercicios sobre calidad y validación de SE, validar el sistema propuesto del 2do trabajo.
Referencias: [4], [7] Capítulo 21.
4to control de lectura
|
Semana 13:
Calidad y Validación de SE
| |
14°
|
Conceptos de aprendizaje y de machine learning. Sistemas experto vs machine learning. Técnicas de aprendizaje y fases de desarrollo de machine learning. Aplicaciones de machine learning en la industria y servicios. El problema de la optimización combinatoria. Conceptos de heurísticas y meta-heurísticas. Algoritmos exactos vs algoritmos heurísticos. Técnicas heurísticas y meta-heurísticas. Problemas de optimización combinatoria en la industria y servicios.
Referencias: [10], [11], [5] Capítulo 1, [8] Capítulo 1. |
Semana 14:
Introducción a
Machine Learning y
heurísticas
| |
15°
|
Presentación de trabajos
Los alumnos mostrarán sus habilidades en cuanto al desarrollo de sistemas expertos y sus aplicaciones en los sectores de la industria y servicio. Los alumnos presentarán un informe y un software.
|
Resolución del Examen Final y Practica Prolog
|
6. METODOLOGÍA
El curso se desarrolla a través de actividades teórico – prácticas, dando énfasis a aplicaciones en la industria y servicios. Los estudiantes, organizados en equipos de 3 estudiantes desarrollarán dos trabajos computacionales. Durante las secciones de laboratorio se estudiará el lenguaje no procedural CLIPS o una variante de LISP y se evaluará el avance del de los trabajos computacionales.
7. EVALUACIÓN
El Promedio Final (PF) se determina de la forma siguiente:
PF = 0.0125(CL1 + CL2 + CL3 + CL4) + 0.01(TB1 + TB2) + 0.15*LA + 0,30*(EA +EB)
Donde:
CLx: Controles de lectura (CL1, CL2, CL3 y CL4).
TB1: Trabajo grupal (Juegos Inteligentes Hombre - Máquina).
TB2: Trabajo grupal (Sistemas Expertos).
EA: Examen Parcial.
EB: Examen Final.
LA: Laboratorio.
El alumno podrá sustituir la nota del examen parcial o final siempre que no haya podido dar alguno de estos exámenes .
Solo serán evaluados los alumno que presenten 70% o más de asistencia , esto es 5 faltas están retirados automáticamente del curso.
8. BIBLIOGRAFÍA
[1] STUART, RUSSELL; PETER, NORVIG
2010 Artificial Intelligence: a modern approach. Ed. Prentice Hall.
ISBN 0-13-103805-2
[2] PATRICK, WINSTON
1984 Inteligencia artificial. Ed. Addison-Wesley
ISBN 0-201-51876-7
[3] ELAINE, RICH
1988 Inteligencia artificial. Ed McGraw-Hill
ISBN 0-07-450364-2
[4] DAVID, MAURICIO
2009 Apuntes de inteligencia artificial.
[5] BONIFACIO, MARTIN; ALFREDO, SANZ
2002 Redes neuronales y sistemas difusos. Ed. Alfaomega
ISBN 84-7897-466-0
[6] JOSEPH GIARRATANO – GARY RILEY
2001 Sistemas expertos, principios y programación. Ed. Ciencias Thomson
ISBN 970-686-059-2
[7] JOSÉ PALMA M., ROQUE MARIN M.
2008 Inteligencia artificial, técnicas métodos y aplicaciones. Ed. Mc Graw Hill
ISBN 978-84-484-5618-3
[8] JOSE R. HILERA, VICTOR J. MARTINE.
2000 Redes neuronales artificiales, fundamentos, modelos y aplicaciones. Ed. Alfaomega – rama
ISBN 978-84-484-5618-3
[9] NILS J. NILSON
2001 Inteligencia artificial, una nueva síntesis. Ed. Mc Graw Hill
ISBN 978-84-484-5618-3
[10] CAMPELO Ruy; MACULAN Nelson.
1994, Algoritmos e Heurísticas. Ed. Universidad Federal Fluminense.
GLOVER Fred; KOCHENBERGER Gary A.
[11] 2003 HandBook of Metaheuristic. Kluwer International Series.
