• Save
Inteligencia Artificial
Upcoming SlideShare
Loading in...5
×
 

Inteligencia Artificial

on

  • 188 views

Versión en revisión de la planificación de Inteligencia Artificial, para el periodo lectivo 2014 - 2015 de la Carrera de Ingeniería de Sistemas de la Universidad Laica Eloy Alfaro de Manabí - ...

Versión en revisión de la planificación de Inteligencia Artificial, para el periodo lectivo 2014 - 2015 de la Carrera de Ingeniería de Sistemas de la Universidad Laica Eloy Alfaro de Manabí - Ecuador.

Statistics

Views

Total Views
188
Views on SlideShare
188
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft Word

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Inteligencia Artificial Inteligencia Artificial Presentation Transcript

  • SÍLABO 2. Prerrequisitos y Correquisitos PRERREQUISITOS CORREQUISITOS CONTENIDO DISCIPLINAR Código / Asignatura CONTENIDO DISCIPLINAR Código / Asignatura N/A N/A 3. Descripción de la asignatura La asignatura incluye contenidos que ayudan a entender cómo pensamos (percibimos, entendemos, predecimos, manipulamos) y simular el razonamiento humano para aplicarlo en actividades que involucre inteligencia y razonamiento. Además de intentar comprender nuestras capacidades mentales también se tiene la necesidad de construirla, más específicamente, existe la necesidad de almacenar y generar conocimiento de expertos humanos escasos en temas determinados 4. Contribución de la asignatura en la formación del profesional La asignatura pertenece al eje de formación profesional, y se enmarca en el área de conocimiento de Infraestructura Tecnológica. Incluye componentes teóricos y prácticos que proporcionan al estudiante conceptos básicos, tecnologías, y tendencias actuales y futuras de Inteligencia Artificial que le servirán de marco en su desempeño profesional para identificar, plantear y resolver problemas, siguiendo el énfasis de procesos que simulan el razonamiento humano, acompañado de lógica, probabilidad y matemáticas. 5. Objetivos generales de la asignatura (Logros de aprendizaje)  Explicará conceptos relacionados a I.A  Representará conocimientos básicos mediante las lógicas matemáticas más comunes y probabilidades.  Resolverá problemas mediante algoritmos, métodos de razonamientos y sistemas expertos. 1. Información general A) CÓDIGO C5-06 B) FACULTAD CIENCIAS INFORMÁTICAS C) CARRERA INGENIERÍA EN SISTEMAS D) ASIGNATURA INTELIGENCIA ARTIFICIAL E) EJE PROFESIONAL F) CURSO LECTIVO 2014 – 2015 G) MODALIDAD PRESENCIAL H) NIVEL / CURSO QUINTO I) CRÉDITOS / HORAS 6 / 128 HORAS J) PROFESOR JORGE IVÁN PINCAY PONCE K) HORARIO DE CLASES LUNES 16:15-18:15, MARTES 17:15-21:15, MIÉRCOLES 19:15-21:15 L) HORARIO DE TUTORÍAS Lunes, 12:10 – 13:10 Miércoles, 09:10 – 11:10 Jueves, 09:10 – 11:10
  •  Seleccionará y representará problemas reales a través de técnicas de aprendizaje automático como la clasificación, clusterización, redes neuronales, modelos de Markov. 6. Competencia a la que contribuye la asignatura Competencias Profesionales Básicas (CPB) Modela y simula problemas y procesos asociados a sistemas informáticos y numéricos, aplicando principios matemáticos, físicos, estadísticos y computacionales, que describa el comportamiento y operación de las soluciones informáticas y numéricas requeridas. Competencias Genéricas 1. Utilizar técnicas de abstracción, análisis y síntesis para la solución de problemas de ingeniería y de campo de acción. 2. Aplicar metodologías de investigación para la identificación, planteamiento y resolución de problemas encaminados a soluciones a través de las TIC´s. 3. Desarrollar capacidad creativa para actuar en nuevas situaciones y tomar decisiones. Competencia Central Representa el conocimiento y razona lógicamente en problemas que puedan ser argumentados en forma lógica y matemática y en la toma de decisiones, en forma clara y ordenada. Con respeto, capacidad creativa, crítica y de abstracción. 7. Unidades / Contenidos / Instrumentos y criterios de evaluación UNIDADES DE COMPETENCIAS CONTENIDOS HORAS PRESENCIALES HORAS AUTÓNOMAS INSTRUMENTOS DE EVALUACIÓN CRITERIOS DE EVALUACIÓN UC.1 Analiza conceptos, de I.A. sistemas Expertos y algoritmos, en forma clara y ordenada INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL  Marco referencial de la I.A.  Definiciones de I.A.  Enfoques de I.A.  Fundamentos de I.A.  ¿Qué es un Sistema Experto?- Características, Elementos  Ventajas de un Sistema Experto  Aplicaciones de sistemas expertos  Lenguajes, Herramientas y SHELLS 8 8  Tareas domiciliarias  Organizadores gráficos.  Participación activa en clase.  Exposición grupal.  Representar un dominio universitario mediante mapas conceptuales.  Análisis de videos  Cuadro de proyectos que se han realizado sobre web semántica, ventajas producidas. Según rubrica, pero en general: Explica definiciones y enfoques de I.A. Aplica algoritmos de búsquedas en forma ordenada. TÉCNICAS DE SOLUCIÓN DE 12 12
  • PROBLEMAS EN I.A.  Representación de problemas.  Búsquedas desinformadas.  Búsquedas informadas  Problemas de Satisfacción de restricciones  FORO: Web Semántica, Tecnologías y Arquitecturas  Organizador gráfico relacional entre la representación del conocimiento y la web semántica.  Foro de Web Semántica, Tecnologías y Arquitecturas: ¿Qué aprendió?, ¿Qué desaprendió?, Ponga las cosas en perspectiva, debata ideas. UC.2 Argumenta la validez de un razonamiento lógico de forma clara y ordenada COMPUTACIÓN BASADA EN LÓGICA FORMAL.  Representación del conocimiento.  Lógica proposicional.  Reglas de Inferencias.  Encadenamiento hacia adelante y hacia atrás.  Tableaux Semánticos. 15 15  Resolución de problemas.  Tareas domiciliarias: Informe  Participación activa en clase  Informe de un sistema en Prolog.  Participación activa en clase.  Foro de Inteligencia artificial en videojuegos, Casos transcendentales, chatbots, clásicos: ¿Qué aprendió?, ¿Qué desaprendió?, Ponga las cosas en perspectiva, debata ideas. Según rubrica, pero en general: Determina y demuestra inferencias mediante lógica proposicional y tableros semánticos. COMPUTACIÓN BASADA EN LÓGICA DE PRIMER ORDEN  Lógica de predicados  Representación orientada a Objetos  LÓGICA DE PRIMER ORDEN. y PROLOG.  FORO: Inteligencia artificial en videojuegos, Casos transcendentales, chatbots, clásicos. 15 15 Implementa razonamientos en Prolog. UC.3 Evalúa soluciones de problemas en base a modelos de sistemas basados en conocimiento y de inteligencia computacional con SISTEMAS BASADOS EN CONOCIMIENTO  Manejo de incertidumbre.  Factores de Certeza.  Sistema experto MYCIN.  La Regla de BAYES y su aplicación.  Razonamiento probabilístico. 12 12  Resolución de problemas.  Práctica de clases.  Tareas domiciliarias  Informe  Artículo empleando metodología IMRyD Según rubrica, pero en general: Resuelve problemas de factores de certeza MYCIN y probabilísticos.
  • responsabilidad, capacidad creativa, crítica y de abstracción. SISTEMAS DIFUSOS  Conjuntos difusos.  Operaciones difusas.  Lógica difusa.  Inferencia y razonamiento difuso. 12 12 Determina soluciones a problemas básicos de incertidumbre. UC. 4 Selecciona Y representa problemas reales a través de técnicas de aprendizaje automático como la clasificación, clusterización, redes neuronales, modelos de Markov. INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO  Aprendizaje automático  Aplicaciones del aprendizaje automático  Herramientas de Inteligencia Artificial para aprendizaje automático: WEKA  Introducción a la Minería de datos, casos de estudio: WEKA y SQL Server Business Intelligence Development Studio, Pentaho y además breve introducción a Rapid Minner. 30 30  Cuadro comparativo de resumen de las aplicaciones de aprendizaje automático en Ecuador. Conclusiones respecto al ámbito laboral del ingeniero en sistemas.  Selecciona y representa problemas reales utilizando técnicas de aprendizaje automático en Weka y SQL Server Business Intelligence Development Studio  Selecciona y representa problemas reales a través de técnicas de clusterización y clasificación. Según rubrica, pero en general: Selecciona y representa y problemas reales utilizando técnicas de aprendizaje automático, clusterización, redes neuronales, modelos de Markov, técnicas de probabilísticas, técnicas supervisadas. ANÁLISIS DE CLUSTERS  Clustering  Métodos jerárquicos  Métodos particionales  Algoritmo K-means  Representación de gráficas del agrupamiento o CLUSTERING 12 12 REDES NEURONALES  Red Neuronal  Descripción de un Perceptron  Perceptron Multicapa  Aprendizaje en una red neuronal  Entrenamiento y validación de la red neuronal 12 12 TOTAL 128 h 128 h
  • 8. Relación de la asignatura con los resultados o logros de aprendizaje RESULTADOS O LOGROS DEL APRENDIZAJE CONTRIBUCIÓN ALTA – MEDIA - BAJA EL ESTUDIANTE DEBE: (EVIDENCIAS DEL APRENDIZAJE) A Explica definiciones y enfoques de I.A. ALTA El alumno bosqueja enfoques y herramientas empleando organizadores gráficos B Aplica algoritmos de búsquedas en forma ordenada MEDIA El alumno interpreta y expone individual o grupalmente tales algoritmos (exposiciones basadas en el Método Socrático) C Determina y demuestra inferencias mediante lógica proposicional y tableros semánticos ALTA El alumno interpreta, resuelve y expone individual o grupalmente tales algoritmos (exposiciones basadas en el Método Socrático) D Implementa razonamientos en PROLOG MEDIA El alumno emplea PROLOG para la implementación de razonamiento lógico. E Determinar soluciones a problemas básicos de incertidumbre. MEDIA Informe F Selecciona y representa problemas reales a través de técnicas de aprendizaje automático como la clasificación, clusterización, redes neuronales, modelos de Markov. MEDIA El alumno representa tales técnicas de aprendizaje automático en las herramientas: Weka y SQL Server Business Intelligence Development Studio, Pentaho y eventualmente Rapid Minner. 9. Metodología El docente guía la asignatura, se recurre a una serie de estrategias metodológicas de preferencia con base en el aprendizaje significativo y socio constructivista, siendo uno de los principales referentes el modelo de “instrucción de pares” y/o reflexión por pares, en el que los propios alumnos desde la horizontalidad, enseñan a sus compañeros. Las clases se plantean de la siguiente manera: - Los alumnos deben hacer una lectura previa de los contenidos relacionados a las prácticas, optimizando de esa manera el tiempo de clases presenciales, donde, - Una vez en clase, se profundizan los conocimientos y se realizan preguntas exploratorias, y prácticas de laboratorio. - En las evaluaciones, eventualmente incluso se le permitirá a los estudiantes que lleven material a las pruebas. Porque no se evalúa tanto el resultado sino el proceso que llevó a obtenerlo. Lo anterior implica un ambiente que intenta ser propicio el aprendizaje y que combina la exposición del docente con la participación activa/significativa de los estudiantes para desarrollar los trabajos individuales, colectivos, talleres prácticos, aprendizaje basado en problemas. El soporte e-learning, es fundamental en ésta asignatura, por dicho medio se articularán discusiones, interacciones y repositorios que incluyen videotutoriales a modo de base de conocimiento respecto a las prácticas resueltas con resultados favorables e incluso con resultados desfavorables (documentados como errores comunes).
  • 10. Fuentes de información 10.1 De Base Autor /es Título de la Obra Edición Año de Publicación Editorial - País Disponibilidad Biblioteca ULEAM Russell, S. y Norvig P Bratko Ivan Inteligencia Artificial un enfoque moderno Prolog Programming for Artificial Intelligence 2da ed 4th ed 2003 2012 España - Prentice Hall. England: Addison Wesley. SI SI 10.2 Complementaria Autor /es Título de la Obra Edición Año de Publicación Editorial - País Disponibilidad Biblioteca ULEAM Knight, K y Rich E Inteligencia Artificial 2da ed 1994 España: McGraw-Hill 1 PRÓ CONCEPCIÓN, Luzmila Fundamentos de ingeniería de la web: ontologías, web semántica y agentes de software 2010 Revista de investigación de Sistemas e Informática BIBLIOTECA VIRTUAL CENCAGE http://go.galegroup.com/ps/ i.do?id=GALE%7CA3093132 77&v=2.1&u=uleam_cons&it =r&p=GPS&sw=w&asid=325 f087a1d14f65998f6a32aa96 e43c7 10.3 Enlaces en la Web  ALBERTA, U. (2001). The Apriori Algorithm Example. Recuperado de http://webdocs.cs.ualberta. ca/~zaiane/courses/cmput499/slides/Lect10/sld054.htm Es un documento de aplicación y explicación de este algoritmo que se utiliza mucho en aprendizaje automático.  ALER, R. (2012). Introducción al Aprendizaje Automático y a la Minería de Datos con Weka. HERRAMIENTAS DE LA INTELIGENCIA ARTIFICIAL. Recuperado de http://ocw.uc3m.es/ingenieria- informatica/herramientas-de-la-inteligencia- artificial/contenidos/transparencias/MDWEBHIA- clase.pdf/at_download/file En este recurso podrá encontrar una introducción a la minería de datos, las fases de minería, las tareas que se realizan en este proceso, y cómo seleccionar atributos.  ALER, R. (2009). Tutorial Weka 3.6.0. Recuperado de http://ocw.uc3m.es/ingenieria-informatica/ herramientas- de -la-inteligencia-ar tificial/contenidos/transparencias/TutorialWek a.pdf/at_ download/file
  • En este recurso encontrará paso a paso como trabajar con Weka, los algoritmos que implementas y algunos ejemplos prácticos.  BORRAJO, D. y otros. (2009). Inteligencia Artificial. Departamento de Informática. Universidad Carlos III de Madrid. Recuperado de http://ocw.uc3m.es/ingenieria-informatica/herramientas-de-la- inteligencia-artificial/material-de-clase, En este curso encontrará material relacionado a las herramientas de inteligencia artificial Weka, ejemplos relacionados a minería de datos, tutoriales, etc.  CARBO, J (s. /n). Arquitectura y aplicaciones de agentes inteligentes. Departamento de Informática. Universidad Carlos II de Madrid. Recuperado de http://www.giaa.inf.uc3m.es/docencia/Doctorado/ Agentes/arquitecturas.pdf En este artículo encontrará la descripción de algunas arquitecturas de agentes inteligentes mencionadas en este texto guía.  GONZÁLEZ., Diez, J. (2010). Introducción al aprendizaje automático. Oviedo, España. Documento que sostiene una definición clara y aplicativa del aprendizaje automático. Podrá leer en este documento como los computadores pueden aprender a partir de medios algorítmicos.  KUSSUL, E. (2011). Rosenblatt perceptrons for handwritten digit recognition. International Joint Conference on Neural Networks, pp. 1516- 1520. Documento con explicaciones muy detalladas sobre los perceptrones y sus funciones de aprendizaje, aspecto muy básico de las redes neuronales.  MADRUGA, A. (2008). Plataformas para el desarrollo de agentes inteligentes. Recuperado de http://alejandro313.blog.com.es/2008/09/23/plataformas-para-el-desarrollo-de-agentes-inteligentes- final-4768015/ Recurso que explica a detalle los distintos tipos de arquitecturas para el desarrollo de agentes inteligentes. Es un documento corto y de fácil lectura.  MILLAN, D., BOTICARIO, J., Isasi, P. (2006). Aprendizaje automático. Madrid, España: UNED. Libro con información muy importante sobre la forma como se puede trabajar el aprendizaje automático.  PEIS, R., & HERRERA, V. (2010). Ontologías, metadatos y agentes: recuperación “semántica” de la información. Recuperado de http://www.nosolousabilidad.com/hassan/jotri2003.pdf Recurso que trata sobre las estructuras de representación del conocimiento necesarias para interactuar con agentes. En este caso las ontologías pueden ser una estructura adecuada para la representación del entorno de trabajo de los agentes.  PENTAHO, Algoritmo J48. Recuperado de http://forums.pentaho.com/showthread.php?77821-J48- algorithm El algoritmo J48 es muy utilizado en minería de datos por su aplicabilidad y fácil interpretación de sus resultados. Detalles de su funcionamiento la encontramos en esta dirección web.  SERRANO, A., SORIA, E., MARTÍN, J. (2009). Redes Neuronales Artificiales. Universidad de Valencia OpenCourse Ware. Recuperado de http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_ libro_de_redes.pdf
  • Libro gratuito que nos permitirá tener una visión general de las redes neuronales artificiales.  SEASR, DataSet Iris. Recuperado de http://repository.seasr.org/Datasets/UCI/arff/ En esta dirección podemos encontrar los datos del ejercicio iris.arff. Muy buen conjunto de datos para ser manejado con Weka.  SIERRA. B. (2006). Aprendizaje Automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Madrid: Prentice Hall. El libro presenta ejemplos muy ilustrativos del manejo de minería de datos. Pasa por la introducción, el trabajo con las variables y por último empieza con los ejemplos del manejo de minería de datos con el software Weka. Weka es un software que está disponible en http://www.cs.waikato.ac.nz/ ml/weka/.  Tech – Purdue. Practica de redes neuronales. Recuperado de http://www2.tech.purdue.edu/cit/courses/CIT499d/Weka_lab_4.htm, Es una página web que presenta la práctica de redes neuronales en Weka. Es recomendable revisar esta práctica para su mejor comprensión de la red neuronal.  Universidad Complutense de Madrid. Redes Bayesianas. Recuperado de http://ocw.uc3m.es/ingenieria-informatica/aprendizaje- automatico/material-de-clase-1/aa-ocw-agrupacion.pdf OCW muy bueno pues nos habla de cómo se puede manejar la probabilidad para ser utilizada en medios de redes, como es el caso de las redes bayesianas.  Universidad Nacional de Educación a Distancia, U. M. (2012). Clustering: Algoritmo K_Medias. Madrid. España. Detalles interesantes de este mecanismo de minería de datos relacionado con los conglomerados y los algoritmos que trabajan con centroides para obtener resultados.  Universidad Politécnica de Madrid. Practica de conocimiento. Recuperado de http://laurel.datsi.fi.upm.es/_media/docencia/cursos/inap/practicaknowledgeflow.pdf, Una dirección web que contiene un conjunto de elementos explicativos del funcionamiento de Weka. Tiene muchas descripciones y en ella se puede encontrar la combinación de las diferentes opciones de este software.  Universidad Politécnica de Valencia, Weka: Problema del Fármaco. Recuperado de http://users.dsic. upv.es/~jorallo/docent/doctorat/weka.pdf Uno de los ejercicios muy interesantes a ser utilizados en esta guía es el problema del fármaco, podrá encontrar allí la interpretación de los datos como su uso en Weka.  Waikato University, Weka Software. Recuperado de http://www.cs.waikato.ac.nz/ml/weka/. Recuperado el 02 del 04 del 2012. Es recomendable bajar de allí este excelente software de minería de datos como obtener los tutoriales.  Waikato University, Ejercicios Weka. Recuperado de http://informatique.umons.ac.be/ssi/teaching/dwdm/titanic.arff. Un ejemplo que manejamos en minería de datos trata sobre las personas que viajaban en el Titanic. Trataremos de clasificar y obtener resultados interpretables con Weka.
  •  YouTube (2009). Aplicabilidad del aprendizaje Automático. Recuperado de http://www.youtube.com/watch?v=L6XfUNCp0GY. Si desea tener mayor conocimiento del aprendizaje automático le recomendamos ver este vídeo en donde encontrará definiciones claras de la aplicabilidad del aprendizaje automático en la ingeniería, así como una mayor información de cómo funciona la opción experimentar de Weka.  YouTube. Video del manejo de R. Recuperado de http://www.youtube.com/watch?v=SWOujaF7l2o En este vídeo Usted puede observar el manejo de R en relación a minería de datos en especial para el algoritmo K-means. Muy explicativo y recomendable.  YouTube, Algoritmos de Markov. Recuperado de http://www.youtube.com/watch?v=jk57_m_ Jk28&feature=related Un video muy explicativo de cómo se pueden manejar los algoritmos de Markov, en especial los modelos ocultos.  YouTube, Aprendizaje de las reglas de Asociación. Recuperado de http://www.youtube.com/watch?v=xQoGhsH3VjA Video explicativo del aprendizaje de reglas de asociación es muy importante observar este vídeo. Revisión y Aprobación DOCENTE DECANO / DIRECTOR PRESIDENTE DE COMISIÓN ACADÉMICA FIRMA Y FECHA FIRMA Y FECHA FIRMA Y FECHA