Silabo

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA )

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	: 2014 – II

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

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.	Resumen semana 1 Semana1:  Clasificacion de Problemas Algoritmicos
2°	Fundamentos de la inteligencia artificial  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: Fundamentos de la Inteligencia Artificial	Trabajo Laboratorio: Ejemplos lisp
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. 1er control de lectura	Resumen  de la semana 3° y 4°     Semana 3 y 4:  Representación de Problemas de Juego humano	Trabajo: Árbol Trabajo: Resumen de la Primera clase
5°	Métodos de búsqueda ciega [Inglés] 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	Semana 5: Métodos de búsqueda  a ciega	Laboratorio: Funciones en Lips
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	Semana 6:  Métodos de búsqueda informados	Laboratorio: Búsqueda de un arbol Búsqueda Avara
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. 2do control de lectura	Semana 7:  Métodos de búsqueda  para juegos humano- maquina	Practica de laboratorio
8º	Examen Parcial	Examen Parcial Pregunta3
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	Trabajo Michi - Recorrido de ciudades
10°	Ingeniería de conocimiento 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	Practica lista Trabajo Redes Neuronales
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.	Semana 11:  Adquisición de  Conocimiento	Trabajo ejemplo Red Neuronal Danzas
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.	Semana 12:  Desarrollo de SE basado en Reglas	SE Comidas Típicas
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 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	SE Comidas Típicas
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. 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	SE Bloques (Java)
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.		SE Reino Vegetal (Java)
16°	Examen final	Examen Final

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.