Download Temas - Instituto Tecnológico de Toluca

1.- DATOS DE LA ASIGNATURA
Nombre de la asignatura: Herramientas par la Toma de decisiones I
Carrera: Ingeniería en Sistemas Computacionales
Clave de la asignatura: BDE-0703
Horas teoría-horas práctica-créditos: 4-0-8
2.- HISTORIA DEL PROGRAMA
Lugar y fecha de
elaboración o revisión
Participantes
Observaciones
(cambios y justificación)
Instituto Tecnológico de
Representante de
Definición de los programas
Toluca, del 07 al 25 de
Comité del Posgrado en
de estudios para la
Agosto de 2006
Ciencias de la
especialidad en Inteligencia
Computación
Artificial
Institutos tecnológicos
Academias de la carrera
Análisis y enriquecimiento de
de Toluca
de Sistemas y
las propuestas de los
Computación y
programas diseñados en la
Academia del Posgrado
reunión nacional de
en Ciencias en Ciencias
evaluación
Computacionales
3.- UBICACIÓN DE LA ASIGNATURA
a). Relación con otras asignaturas del plan de estudio
Anteriores
Asignaturas
Matemáticas
Discretas;
Posteriores
Temas
Todos
Asignaturas
Toma de
Temas
Todos
decisiones II
Inteligencia
Artificial I
b). Aportación de la asignatura al perfil del egresado




Capacidad de análisis, de desarrollo y de programación de modelos
matemáticos, estadísticos y de simulación de comportamientos humanos.
Coordina y realiza investigaciones que fortalezcan el desarrollo cultural,
científico y tecnológico.
Aplica nuevas tecnologías a la solución de problemas de su entorno laboral.
Desarrolla interfaces hombre-máquina.
4.- OBJETIVO(S) GENERAL(ES) DEL CURSO
Conocer las herramientas de Inteligencia Artificial con las que se elaboran
sistemas para la toma de decisiones a partir del análisis de datos
2
5.- TEMARIO
Unidad
Temas
1
Introducción al
Reconocimiento de Patrones
Subtemas
1.1.
1.2.
1.3.
1.4.
1.5.
2
Sistemas Expertos
2.1
2.2
2.3
2.4
3
Procesamiento de Lenguaje
Natural
3.1
3.2
3.3
Reconocimiento de Objetos
Similaridad de Patrones y Trabajos
en RP
1.4.1. Clasificación
1.4.2. Regresión
1.4.3. Descripción
Clases, Patrones y Muestras
RP Approaches
1.4.1. Datos Clustering
1.4.2. Clasificación Estadística
1.4.3. Redes Neuronales
1.4.4. RP Estructural
Proyecto
1.5.1 Tareas de Proyecto
1.5.2 Tratamiento y Muestras
1.5.3 Software de RP
Introducción a los Sistemas
Expertos
Representación el Conocimiento
Método de Inferencia
Aplicaciones Wucshell
Introducción a los lenguajes
formales
Redes de Transición aumentada
Aplicaciones
3.3.1 Recuperación de
Información
3.3.2 Extracción de Información
3.3.3 Generación de gramáticas
4
Visión
4.1.
4.2.
4.3.
4.4.
4.5.
Adquisición de la imagen
Segmentación de la imagen
Mejoramiento de la imagen
Mejoramiento de la Imagen
Detección de Contornos
5
Métodos Bayesianos
5.1.
Incertidumbre
3
5.2.
5.3.
5.4.
5.5.
5.6.
6
Técnicas de agrupamiento
7
Redes Neuronales
6.1.
6.2.
6.3.
6.4.
6.5.
7.1.
7.2
7.3
7.4
7.5
7.6
Sistemas de Razonamiento
Probabilística
5.1.1. Introducción
5.1.2. Introducción a Inferencia
Bayesiana
5.1.3. Teorema de Bayes
5.1.4. Teorema de Bayes Aplicado
Redes Bayesianas
5.1.1. Introducción
5.1.2. Definición
5.1.3. Ilustración con redes
bayesianas
Implicaciones algoritmos con redes
bayesianas
Usos prácticos de las redes
bayesianas
Limitaciones de las redes
bayesianas
Introducción
Tipos de Datos
Métodos de Agrupamiento
Algoritmo k-medias
Ejemplos
Introducción
7.1.1. Neurona Biológica
7.1.2. Neurona Computacional
7.1.3. Algoritmos de Aprendizaje
7.1.4. Topología
Perceptrón
Introducción al Perceptón
Multicapa
Introducción a la red SOM
Neurosolution
Aplicaciones
4
6.- APRENDIZAJES REQUERIDOS
Contenidos de Inteligencia Artificial I, Matemáticas Discretas,
7.- SUGERENCIAS DIDÁCTICAS







Propiciar la búsqueda y selección de información sobre temas de inteligencia
humana y artificial.
Organizar exposición de temas por equipo.
Elaborar un proyecto vinculado a problemas de juegos.
Propiciar debates sobre temas relacionados, con sesiones de preguntas y
respuestas.
Propiciar la resolución en conjunto de problemas relacionados con la materia.
Utilizar un software para el diseño y análisis de los temas del curso.
Desarrollar un mapa conceptual sobre inteligencia artificial, donde se
establezcan los conceptos y sus relaciones.
8.- SUGERENCIAS DE EVALUACIÓN




Desarrollo de proyecto final (informe, presentación y defensa del proyecto).
Evaluación de informes sobre tareas o trabajos de investigación.
Evaluación escrita.
Desempeño y participación en el aula.
9.- UNIDADES DE APRENDIZAJE
Unidad 1: Introducción al Reconocimiento de Patrones
Objetivo
Educacional
Comprenderá la teoría
del Reconocimiento de
Patrones así como los
diversos enfoques que
Actividades de Aprendizaje
 Conocer la definición de Reconocimiento de
Patrones
 Identificar el concepto de Similaridad
 Conocer las diferentes tareas y aplicaciones
Fuentes de
Información
19,20,21
5
se emplean
del reconocimiento de patrones
 Identificar los diferentes elementos que
integran el enfoque de Reconocimiento de
Patrones Sintáctico Estructural.
 Conocer diversas aplicaciones del
Reconocimiento de Patrones Sintáctico
Estructurales.
Unidad 2: Sistemas Expertos
Objetivo
Educacional
Comprenderá la teoría
de Sistemas Expertos y
conocerá la manera de
implementarlos
utilizando Wucshell
Actividades de Aprendizaje
 Identificar los diferentes elementos que
integran a un Sistema Experto.
 Identificar las diferentes formas de
representación de conocimiento.
 Ejemplificar el proceso de inferencia en una
base de conocimientos.
 Investigar otros usos que se le pude dar a la
teoría de lenguajes libres de contexto.
 Desarrollar ejemplos de aplicación utilizando
Wucshell.
 Investigar sobre otros shells para desarrollo
de sistemas expertos.
Fuentes de
Información
4,16,17,18
Unidad 3: Procesamiento de Lenguaje Natural
Objetivo
Educacional
Comprenderá la teoría
de lenguajes de
contexto libre y su
representación
Actividades de Aprendizaje
Fuentes de
Información
 Identificar los diferentes tipos de lenguajes de 10,11,12,13,
acuerdo a la clasificación de Chomsky.
14,15
 Realizar ejercicios que permitan desarrollar la
habilidad para representar lenguajes libres de
contexto.
 Utilizar un lenguaje de alto nivel para
6
representar lenguajes libres de contexto,
solamente como casos tipo.
 Investigar otros usos que se le pude dar a la
teoría de lenguajes libres de contexto.
 Investigar nuevas técnicas para la
representación de lenguajes libres de contexto.
Unidad 4: Visión Artificial
Objetivo
Actividades de Aprendizaje
Educacional
Conocerá los
fundamentos de una
imagen digital así
como .los tipos de
mejoramiento de una
imagen digital tanto en
su dominio espacial
como en el de
frecuencia.











Conocerá los conceptos de imagen digital.
Conocer los Tipos de imágenes
Desarrollar los pasos para el
procesamiento de las imágenes digitales.
Elementos de la percepción visual
Conocer las diferentes formas de adquirir
una imagen digital
Conocer las operaciones básicas en las
imágenes
Ejemplos de un Histograma
Operaciones aritmético lógicas
Conocer los diferentes Filtros espaciales
Conocer los filtros del dominio de
frecuencia
Realizar diferentes practicas en un
software libre
Fuentes de
Información
5,21,
22,23,
24,25,26
Unidad 5: Métodos Bayesianos
Objetivo
Educacional
Comprenderá la teoría
Probabilidades y los
Métodos Bayesianos, y
se introducirá a los
Actividades de Aprendizaje
 Identificar la naturaleza, relevancia y
aplicabilidad de la teoría de Redes Bayesianas
para temas con formas avanzadas de
computabilidad
Fuentes de
Información
9
7
procesos aleatorios.
 Se examinará un cierto número de
aplicaciones usando redes Bayesianas.
 Se revisarán las limitaciones de las Redes
Bayesianas para la interacción humanocomputadora y el aprendizaje automatizado.
UNIDAD 6: Técnicas de agrupamiento
Objetivo
Actividades de Aprendizaje
Educacional
Comprenderá los
elementos básicos y
algoritmos elementales
de agrupamiento

Identificar los diferentes tipos de datos y
Fuentes de
Información
3,1
sus características.

Identificar los diferentes criterios de
agrupamiento (partición y jerárquicos)

Conocer la algoritmia del K-Medias

Realizar pruebas de escritorio del
algoritmo K-medias
Unidad 7: Redes Neuronales Artificiales
Objetivo
Actividades de Aprendizaje
Educacional
El estudiante aprenderá
los conceptos básicos
de las redes neuronales
artificiales más usadas:
Perceptron, Perceptron
Multicapas y SOM


Identificar la equivalencia de
comportamiento de las partes de la
neurona biológica y la neurona
computacional.
Identificar los diferentes tipos y la utilidad
de las reglas de aprendizaje: supervisadas
y no supervisadas.
Fuentes de
Información
2, 22
8


Con la ayuda de Neurosolutions construir
una red de cada uno de los siguientes tipos:
Perceptron, Perceptron Multicapas, y
SOM.
Aplicar las redes construidas a un
problema de toma de decisiones.
10. FUENTES DE INFORMACIÓN
1.-
Pattern Recognition, Concepts, Methods and Applications J.P. Marques de
Sá Springer
2.-
Notas del curso de e-Learning Dr. Eduardo Gasca Alvarez
3.-
Finding Groups In Data. An Introduction to cluster Analysis Leonard Kaufman/
Peter J.Rousseuw Wiley Inter-s Science
4.-
Sistemas Expertos Principios y Programación Giarratano Ruley
5.-
Tratamiento Digital de imágenes Rafael Gonzalez and Woods Prentice Hall
6.-
Inteligencia Artificial un enfoque moderno Stuart Russell & Peter Norving
Prentice Hall
7.-
The Pattern Recognition Basis in Artificial Intelligence R. Tveter
8.-
Pattern Recognition: Statistical, Structural and Neural Approaches Robert J.
Schalkoff John Wiley & Sons, Inc., 1992
9.-
An introduction to Bayesian Networks and the Contemporary Applications;
Daryle Niedermayer; Dic 1998; http://www.niedermayer.ca/papers/bayesian/
10.- Compiladores Principios, técnicas y herramientas, Aho, Sethi, Ullman
Addison Wesley.
11.- Compiladores Conceptos Fundamentales, Teufel, Schmidt, Teufel, AddisonWesley Iberoamericana.
12.- Chomsky, Noam. Temas teóricos de gramática generativa. De. Siglo XXI. 5a
de. México. 1990
13.- Hopcroft, J. & Ullman, J. Introducción a la teoría de autómatas, Lenguajes y
Computación. Ed. CECSA. 1a. Ed. México.1993
9
14.- Herbert Schildt. Artificial Intelligence Using C (Cap. 4 – Lenguaje Natural). Ed.
Mc Graw Hill., 1987
15.- Kennedy, Ruby, L.; Solving Data Mining Problems through Pattern
Recognition; Prentice Hall, 1998.
16.- Fohmann, L. Knowledge Acquisition and Machine Learning. A. I. and Expert
Systems. Editor Stuart Savory. John Wiley & Sons.USA. 1988.
17.- Rich, E. & Knight, K. Inteligencia Artificial. McGraw Hill . 2a. ed. España
1994.
18.- David W. Rolston. Principios de Inteligencia Artificial y Sistemas Expertos.
Editorial McGraw Hill.
19.- Escudero, L.F. Reconocimiento de Patrones. Ed. Paraninfo. España. 1977
20.- González, R. & Thomason, G. Syntactic Pattern Recognition. An introduction.
Addison Wesley Publishing Co. USA. 1978.
21.- Tou, Julius, T. Gonzalez, R; Pattern Recognition Principles; Addison Wesley,
1974
22.- The image processing Handbook ; John C. Russ, CRC press 1994 USA
23.- Digital Image processing; Kenneth R. Castleman, Prentice Hall 1996 USA
24.- Computer Vision and Image processing, Linda Shapro and Azriel Rarenteld
Academic Press, USA 1992.
25.- Introduction techniques for Computer vision, Gmanuele trucco Alessandro
Verri, Prentice may USA 1998
26.- Image Processing and Patter Recognition; Cornelious T. Leondes,Academic
Press (Vol 5 of neural networks).
27.- Manuales de uso de Neurosolution
10