UNIVERSIDAD NACIONAL MAYOR DE SAN
MARCOS
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)
Pre-requisitos : 205007 – Investigación Operativa I
Semestre
académico :
2016 – 0
Profesor : David Mauricio, 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
Horas / Semana
(s)
10 h/2S
|
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
Horas / Semana (s)
25 h/5S
|
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.
Horas / Semana (s)
10 h / 2S
|
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.
Horas / Semana (s)
15 h / 3S
|
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
Horas / Semana (s)
5 h
/1S
|
5. CONTENIDO POR SEMANAS:
| SEMANA |
CONTENIDO
|
CLASES
| TRABAJOS |
1
|
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.
| ||
2
| Fundamentos de la inteligencia artificial Referencias: [1] Capítulo 1, [2] Capítulo 1, [9] Capítulo 1. |
2da Clase
| |
3 y 4
|
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.
| ||
5
|
Métodos de búsqueda ciega
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.
Referencias: [1] Capítulo 4, [2] Capítulo 5,
[3] Capítulo 3, [4] Capítulos 5, [9] Capítulos 9 | ||
6
|
Métodos de búsqueda informados
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
| ||
7
|
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. | ||
8
| PARCIAL | ||
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
| ||
10
|
Ingeniería de conocimiento
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.
| ||
11
|
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, ontologías, metadatos, thesaurus). Referencias: [6] Capítulos 6, [7] Capítulos 19. | ||
12
|
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.
| ||
13
|
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.
| ||
14
|
Introducción a Machine Learning 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]
| ||
15
|
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.
| ||
16
| FINAL |
Examen Final
|
Laboratorio
Durante las sesiones de laboratorio se acompañara
el desarrollo de los trabajos computacionales, ejercicios complementarios a la
teoría, y el desarrollarlo de un lenguaje de programación de inteligencia
artificial a nivel básico como LIPS (o una variante de ella) o CLIPS.
Trabajos Computacionales
Los
alumnos agrupados en 3 desarrollarán dos trabajos computacionales.
El
primer trabajo se trata de un juego de interacción humano-máquina con el uso de
inteligencia artificial, el juego deberá ser diferente a los juegos que existen
en los medios. La diferencia entre dos juegos se basa: diferencia en el
entorno, diferencia en las reglas y objetos, o diferencia en ambos. El juego
deberá usar la técnica de búsqueda en un espacio de estado, el algoritmo
humano-máquina, y deberá considerar 3 niveles de dificultad (principiante,
normal y experto). Deberá tener interfaces adecuadas y el lenguaje de
programación es libre.
El
segundo trabajo es un sistema experto basado en reglas. La base de conocimiento
deberá tener al menos 50 reglas. Deberá tener interfaces adecuadas y el
lenguaje de programación a usar debe ser un lenguaje de IA. En cuanto al
desarrollo deberá seguir la metodología CommonKADS.
Los trabajos computacionales deberán ir
acompañados de un informe redactado en el formato de un artículo y ser
expuesto.
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 = 0.00125(CL1 + CL2 + CL3 +
CL4) + 0.01(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,
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
2009Apuntes 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.
Las lecturas obligatorias serán proporcionadas por el profesor del
curso.
No hay comentarios:
Publicar un comentario