Sílabo

SÍLABO

1.  ESPECIFICACIONES GENERALES

Nombre del Curso    : INTELIGENCIA ARTIFICIAL 

Código del Curso    : 2010605

Duración del Curso  : 17 semanas

Forma de Dictado    : Técnico - experimental 

Horas semanales     : Teoría: 3h – Laboratorio: 2h
Naturaleza                : Formación profesional 

Número de créditos  : Tres (03)

Prerrequisitos           : 2010505 – Algorítmica III 

Semestre académico : 2018 – 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

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 la IA. Aplicaciones en la industria y servicios (robótica, planificación, gestión de desperdicios).  Test de Turing. 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 El problema de búsqueda en un espacio de estado.  Representación de problemas de raciocinio y de optimización.  Representación de problemas de juegos humano – máquina. Métodos Ciegos.  Métodos Informados.  Función evaluadora y su aplicación en juegos-humano máquina.  Algoritmos de juego humano máquina.  Criterios de decisión para juegos humano – máquina: no determinístico, goloso, min-max, mejor diferencia de utilidades. 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 Conceptos de aprendizaje y de machine learning.  Sistemas expertos 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.  Aplicaciones de optimización combinatoria en la industria y servicios. Horas / Semana (s) 5 h /1S

SEMANA	TEMAS	TEORÍA
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.	Clase 1
2	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.	Clase 2
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.	Clase 3 y Clase 4 Laboratorio
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- determinístico.	Clase 5
6	Métodos de búsqueda informados La función evaluadora, métodos que usan información adicional: primero el mejor, ascenso a la colina, A*, ramificación y acotación.	Clase 6
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.	Clase 7 Búsqueda A* Michi(min-max)
8	Examen Parcial	Solucionario
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.	Clase 9
10	Ingeniería de conocimiento Introducción.  Adquisición de conocimiento.  La metodología CommonKADS.  Diseño de Sistemas Expertos (SE).  Ciclo de vida de un SE.	Clase 10 Arduino 3 Sensores (Video)
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).	Clase 11
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.	Clase 12
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.	Clase 13
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.	Clase 14
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.	Informe Proyecto
16	Examen final	Solucionario