Download 3055_Inteligencia_Artificial
Document related concepts
Transcript
UNIVERSIDAD DE MENDOZA – FACULTAD DE INGENIERÍA CARRERA INGENIERÍA EN COMPUTACIÓN ASIGNATURA INTELIGENCIA ARTIFICIAL CÓDIGO 3055 CURSO 5 ÁREA TECNOLOGÍAS APLICADAS ULTIMA REVISIÓN Marzo de 2014 MATERIAS CORRELATIVAS: AÑO LECTIVO 2014 Profesor Titular: Ing. Carlos Palacio Profesores Asociados: Dr. Enrique Miranda, Ing. Graciela Sevilla Profesores Adjuntos: Dr. Mario Molina Jefes de trabajos prácticos: Carga Horaria Semanal: Carga Horaria Total: 6 90 OBJETIVOS: Dotar al alumno de los conocimientos fundamentales de la Inteligencia Artificial, independientemente del dominio de aplicación. Lograr una formación de base que permita afrontar con éxito cualquier problema que requiera el uso de técnicas de Inteligencia Artificial. Introducir al alumno en las áreas de la programación en lenguajes de IA, representación del conocimiento, resolución de problemas y aprendizaje. CAPITULO I: INTRODUCCION A LA INTELIGENCIA ARTIFICIAL TEMA 1: Conceptos. 1.1. Definiciones de Inteligencia Artificial. 1.2. Reseña histórica. 1.3. Aplicaciones de Inteligencia Artificial. 1.4. Diferencias con los métodos convencionales. TEMA 2: Agentes inteligentes. 2.1. Introducción, características. 2.2 Estructura de los agentes inteligentes. 2.3. Tipos. 2.4. Ambientes; propiedades. CAPITULO II: EL PROBLEMA Y SU REPRESENTACION TEMA 1: Heurística. 1.1. Definición y sus aplicaciones. 1.2. Agentes que planifican. 1 TEMA 2: Problemas. 2.1. Problemas de las 8 reinas, del 8 puzzle, del mapa de caminos, del viajante, de las monedas falsas. 2.2. Proceso de Optimización. 2.3. Compensación y Semi-Optimización. 2.4. Búsqueda sistemática y el Paradigma de dividir y podar. TEMA 3: Representación: 3.1. Espacios de búsqueda. 3.2. Representación del espacio de estados. 3.3. Reducción del problema. 3.4. Grafos AND/OR. 3.5. Selección de una representación. CAPITULO III: BÚSQUEDA EN EL ESPACIO DE ESTADOS. TEMA 1: Agentes que resuelven problemas. 1.1. Estrategias de búsqueda. 1.2. Árboles de exploración. TEMA 2: Búsquedas sin información. 2.1. Búsqueda por profundidad. 2.2. Backtracking. 2.3. Búsqueda por amplitud. 2.4. Búsqueda en Grafos AND/OR TEMA 3: Búsquedas con información: 3.1. Algoritmos BF, GBF. 3.2. Algoritmo A: propiedades. 3.3. Método Escalada. 3.4. Juegos de dos agentes. 3.5. Minimax, AlfaBeta, métodos de ordenamiento. CAPITULO IV: RAZONAMIENTO LÓGICO. TEMA 1: Lógica clásica. 1.1. Repaso de lógica formal: operadores, cuantificadores, reglas de inferencia. 1.2. Cálculo de predicados. TEMA 2: Lógica difusa. 2.1. Incertidumbre, manejo. 2.2 Sistemas difusos: Lógica clásica y mundo real. Números difusos. Aritmética difusa. Teoría de conjuntos difusos. Lógica difusa. Ejemplo de aplicación. CAPITULO V: SISTEMAS DE RAZONAMIENTO TEMA 1: Sistemas de producción. 1.1. Introducción. 1.2. Procesamiento básico. 1.3. Control; irrevocables, retroactivos. 1.4. Exploración de grafos. 1.5. Sistemas de producción hacia atrás. 1.6. Sistemas de producción especializados; conmutativo, descomponible. TEMA 2: Sistemas de deducción hacia delante. 2.1. Forma Y/O para expresiones de hechos. 2.2. Grafos. 2.3.Reglas para transformar grafos Y/O. 2.4.Expresiones con variables; ejemplos. TEMA 3: Sistemas de Deducción hacia Atrás. 3.1. Aplicación de Reglas. 3.2. Condición de terminación. 3.3.Estrategia de control; ejemplos. TEMA 4: Sistemas de Resolución por Refutación. 4.1. Sistemas de Producción. 4.2. Estrategias de control; tipos. 4.3. Obtención de respuestas CAPITULO VI: APRENDIZAJE I . TEMA 1: Aprendizaje. Conceptos. 1.1. Introducción. 1.2. Aprendizaje inductivo. 1.3. Espacio de versiones. Algoritmo de eliminación del candidato. Consideraciones. TEMA 2: Árboles de Decisión. 2.1. Representación. Algoritmo de Aprendizaje. Consideraciones. Ejercicios de aplicación. 2 CAPÍTULO VII: APRENDIZAJE II TEMA 1: Aprendizaje en las redes neuronales. 1.1. Fundamentos biológicos. Representación. 1.2. Perceptrón: regla de aprendizaje, teorema de convergencia, limitaciones. 1.3. Redes Multicapas: algoritmo de retropropagación. Memorización y generalización. Mejoras del algoritmo. Ejercicios de aplicación. TEMA 2: Algoritmos genéticos. 2.1. Teoría de la evolución. 2.2. Mecanismos naturales de selección. 2.3. Operaciones básicas de algoritmos genéticos. 2.4. Algoritmo canónico. 2.5. Ejemplo de aplicación. TEMA 3: Aprendizaje bayesiano. 3.1. Probabilidad; a priori, condicional. 3.2. Axiomas. 3.3. La regla de Bayes. 3.4. Aprendizaje Naïve Bayes. Formación Práctica Horas Resolución de Problemas Rutinarios: 10 Laboratorio, Trabajo de Campo: 10 Resolución de Problemas Abiertos de Ingeniería: 10 Proyecto y Diseño: PROGRAMA DE TRABAJOS PRÁCTICOS: PRÁCTICO 1: Weka: introducción PRÁCTICO 2: Aprendizaje: Árboles de decisión utilizando Weka PRÁCTICO 3: Aprendizaje: Redes neuronales utilizando Weka PRÁCTICO 4: Resolución heurística PRÁCTICO 5: Algoritmos de búsqueda PRÁCTICO 6: Sistemas de Razonamiento ARTICULACIÓN HORIZONTAL Y VERTICAL DE CONTENIDOS: Los contenidos abordados en esta materia se basan en conceptos de las siguientes cátedras: Asignatura Curso Informática I 1 Ingeniería de Software 4 Modelos y Simulación 5 Comparte e integra elementos horizontalmente con las siguientes cátedras: Asignatura Curso 3 Diseño de Base de Datos 5 CONDICIONES PARA REGULARIZAR LA MATERIA y RÉGIMEN DE EVALUACIÓN: El alumno obtendrá la regularidad luego de: Cumplir con el 80% de asistencia Aprobar carpeta de trabajos prácticos Habiendo obtenido la regularidad puede presentarse a rendir un examen final que consiste en aprobar un ejercicio práctico en la computadora y luego rendir y aprobar un examen oral teórico. BIBLIOGRAFÍA: Principal: Autor Título Editorial Año Ed. Disp. Russell, S.J. Norvig, P. Mitchell, Tom Inteligencia Artificial. Un enfoque moderno Machine Learning Pearson 2004 3 McGraw Hill 1997 1 Nilsson, Nils Inteligencia Artificial. Una nueva síntesis McGraw Hill 2001 1 Autor Título Editorial Año Ed. Disp. Bishop Christopher M. Britos – Hossian – Garcia Martinez - Sierra Garcia Martinez Ramon - Britos Paola Veronica García MartínezServentePasquint Harris, John Pattern Recognition and Machine Learning Mineria de Datos Springer 2006 Nueva Librería 2005 Cátedra Ingenieria de Sistemas Expertos Nueva Librería 2004 Cátedra Sistemas Inteligentes Nueva Librería 2003 Cátedra An Introduction to Fuzzy Logic Applications 2000 Hilera González, José Ramón Redes Neuronales Artificiales: Fundamentos, modelos, aplicaciones Redes de Neuronas Artificiales. Un enfoque práctico Kluwer Academic Press Alfa Omega Prentice Hall 2004 Learning and Soft Computing MIT Press 2001 Master, Timothy Practical Neural Networks Recipes in C++ 1993 Mitchell, Melanie An Introduction to Genetic Algorithm Morgan Kaufmann Publishers MIT Press De Consulta: Isasi Veñueda, Pedro; Galván León, Inés M. Kecman, Vojislav 2000 1998 4 Nilsson, Nils Norvig, Peter Pearl, Judea Winston, Patrick H.; Horn, Berthold K. P; Principios de Inteligencia Artificial Paradigms of Artificial Intelligence Programming: Case Studies in Common Lisp Heuristics Lisp, 3ra Edición Díaz de Santos Morgan Kaufmann Publishers Addison Wesley Addison Wesley 1987 2 1992 Cátedra 1984 1991 Cátedra 1 ESTRATEGIAS DIDÁCTICAS UTILIZADAS: Clases expositivas Trabajos teórico - prácticos grupales e individuales RECURSOS DIDÁCTICOS UTILIZADOS: Textos Pizarrón y marcador Presentaciones multimedia Guías de trabajos prácticos PROGRAMA DE EXAMEN: Coincide con el analítico 5