FACULTAD
DE INGENIERIA DE SISTEMAS E INFORMATICA
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
Profesores : Hugo Vega
2. SUMILLA
La
Inteligencia Artificial, conceptos, paradigmas y aplicaciones en la industria y
servicios. Representación del conocimiento. Representación de problemas de IA
como búsqueda en el espacio de estado. Métodos de búsqueda ciegos e informados.
Juegos inteligentes hombre-máquina. Sistemas expertos, arquitectura, taxonomía
y aplicaciones. Motor de Inferencia. Ingeniería de conocimiento, conceptos,
evolución, Metodología CommonKADS. Calidad y Validación de Sistemas Expertos,
Introducción a Machine Learning (Aprendizaje Automático) y heurísticas.
3. OBJETIVO
GENERAL
Los
estudiantes adquirirán conocimientos del área de Inteligencia Artificial en general
y desarrollarán aspectos básicos en el desarrollo de juegos inteligentes y de
sistemas expertos, y su aplicación en la resolución de problemas inteligentes
en los sectores de la industria y de servicios.
4.
OBJETIVOS ESPECÍFICOS
Al terminar el curso el alumno será capaz de:
1. Comprender que es la Inteligencia Artificial y la
complejidad de sus problemas.
2. Representar y resolver problemas de juego humano -
máquina a través de técnicas de búsqueda en un espacio de estado.
3.
Conocer las diferentes estrategias de búsqueda a
ciegas e informados.
4. Diseñar y desarrollar software de juegos inteligentes
con interacción hombre-máquina y que usen técnicas de inteligencia artificial.
5.
Comprender qué son los sistemas expertos y saber cuándo
usarlos.
6. Conocer que es la Ingeniería de Conocimiento y un
método para el desarrollo de sistemas basados en el conocimiento
7.
Evaluar la calidad de la solución de sistemas
expertos.
8. Diseñar y desarrollar sistemas expertos basados en
diversos motores de inferencias (métodos de encadenamiento), considerando
criterios de calidad.
9. Conocer los conceptos de machine learning y de
heurísticas, su importancia y sus aplicaciones en la industria y servicios.
1º Semana:
Clasificación de problemas algorítmicos
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.
2º Semana:
Fundamentos de la inteligencia artificial
Definición de la Inteligencia
Artificial. Máquina inteligente. Diferencia 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.
3º Semana:
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] Capítulo 3, [3] Capítulo 2, [4] Capítulo 3.
1er control de lectura
4º y 5° Semana:
Métodos de búsqueda ciegos e informados
La función evaluadora, métodos
de búsqueda ciega ó no informados: amplitud, profundidad y no determinístico,
métodos que usan información adicional: primero el mejor, ascenso a la colina,
A*, ramificación y acotación.
Referencias: [1] Capítulos 3 y
4, [2] Capítulo 5, [3] Capítulo 3, [4] Capítulos 5, [9] Capítulos 9
6° Semana: 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 6,
[2] Capítulos 6, [3] Capítulos 4, [4] Capítulos 6, [9] Capítulos 12.
2do control de lectura
7º Semana:
Presentación de trabajos computacionales
Los alumnos mostrarán sus
habilidades en cuanto al desarrollo de software de juegos inteligentes basados
en técnicas de búsqueda. Se deberá presentar un informe y un software, y
deberán exponer sus trabajos.
8º Semana
Examen parcial
9º Semana: 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
Introducción. Adquisición de
conocimiento. La metodología CommonKADS. Diseño de Sistemas Expertos (SE).
Ciclo de vida de un SE.
Referencias:
[6] Capítulos 6, [7] Capítulos 19.
11º Semana: Adquisición de Conocimiento
Adquisición de conocimiento.
Construcción de la base de hechos y base de conocimiento. Estructuras de
representación de conocimientos (reglas de inferencias, frames, objects, redes
semánticas, lógica de predicados).
Referencias:
[6] Capítulos 6, [7] Capítulos 19.
3er control de lectura
12º Semana: Desarrollo de sistemas expertos basados en reglas
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.
13º Semana: Calidad y validación de sistemas expertos
Principales errores en el
desarrollo de un sistema experto. Calidad de un sistema experto. Validación de
sistemas inteligentes, métodos cuantitativos 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
14° Semana:
Introducción a Machine Learning (Aprendizaje
Automático) y heurísticas.
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.
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:
[5] Capítulo 1 y 2, [8] Capítulo 1, [10], [11].
15º Semana: Presentación de trabajos computacionales
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.
16º Semana
Examen final
17º Semana
Examen Sustitutorio (solo para aquellos que no dieron examen parcial o
final)
Durante las sesiones de
laboratorio se desarrollarán la programación básica en un lenguaje de
inteligencia artificial sea LIPS (o una variante de ella) o CLIPS y esta se
orientará al desarrollo de sistemas expertos basados en reglas. También en las
sesiones de laboratorio se podrá evaluar el avance de los trabajos.
5. 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 desarrollarán dos trabajos computacionales. Durante las sesiones
de teoría se discutirán la resolución de problemas propuestos. Durante las
sesiones de laboratorio se evaluará el avance de los trabajos computacionales y
el proceso de aprendizaje de un lenguaje de inteligencia artificial.
6.
EVALUACIÓN
El Promedio Final (PF) se determina de la forma
siguiente:
PF = 0.025(CL1 +
CL2 + CL3 + CL4) + 0.075(TB1 + TB2) + 0.15*LA + 0,30*(EA +EB)
Donde:
CLx:
Controles de Lecturas (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.
7. BIBLIOGRAFÍA
[1]
STUART, RUSSELL; PETER, NORVIG
1996 Inteligencia artificial,
un enfoque moderno. 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
1. Apuntes de inteligencia
artificial.
[5]
BONIFACIO, MARTIN; ALFREDO, SANZ
2002 Redes neuronales y
sistemas difusos. Ed. Alfaomega ISBN 84-7897-466-0
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.
