SI - Sistemas Inteligentes

Transcripción

1 Unidad responsable: Unidad que imparte: Curso: 2014 Créditos: ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona EEL - Departamento de Ingeniería Electrónica Capacidades previas Formación básica en matemáticas. Nociones sobre sistemas biológicos. Conocimientos de procesado de datos y de arquitecturas de computación. Conceptos básicos de lógica digital y sobre diseño lógico. Requisitos Metodologías docentes Objetivos de aprendizaje de la asignatura Introducir los conceptos básicos que caracterizan los sistemas artificiales inteligentes: introducción de conocimiento y capacidad de aprendizaje. Comprensión de tres principios básicos (evolución, ontogénesis y epigénesis) alrededor de los cuales se estructuran las propiedades de los seres vivos. Análisis de las técnicas de evolución artificial y de los algoritmos genéticos. Estudio de los principales paradigmas y sistemas artificiales con características de aprendizaje y adaptación: Redes Neuronales y Sistemas Estadísticos. Análisis de los principios relacionados con autómatas celulares, embriónica e inmunotrónica. Análisis y estudio de alternativas de realizaciones físicas electrónicas (dedicadas y programables) para la realización de sistemas artificiales inteligentes y bio-inspirados. 1 / 11

2 Contenidos 1. Introducción y conceptos básicos (4 horas) 1.1. Modelo POE de los sistemas naturales 1.2. Tres ejes: Eje filogenético, Eje ontogenético y Eje epigenético 1.3. Introducción de conocimiento en sistemas artificiales: una revisión 2. Sistemas evolutivos (4 horas) 2.1. Evolución natural 2.2. Algoritmos genéticos 2.3. Aplicaciones 3. Autómatas celulares (4 horas) 2 / 11

3 3.1. Introducción 3.2. Formalización de los modelos de autómatas celulares 3.3. Modelo de programación 3.4. Aplicaciones 4. Principios ontogenéticos (4 horas) 4.1. Introducción 4.2. Técnicas de auto-replicación 4.3. Técnicas de auto-reparación 4.4. Técnicas de inmunidad electrónica (immunotrónica) 3 / 11

4 5. Mecanismos de aprendizaje (8 horas) 5.1. Introducción 5.2. Aprendizaje y aprendizaje estadístico 5.3. Aprendizaje computacional: supervisado, no supervisado y por refuerzo 5.4. Algoritmos de aprendizaje 5.5. Conceptos relacionados: funciones de coste, criterios de evolución de los algoritmos 5.6. Principios de aprendizaje bio-inspirado 5.7. Spiking neural networks 5.8. Modelos neuronales evolutivos 4 / 11

5 6. Aplicaciones del aprendizaje estadístico (4 horas) 6.1. Aplicaciones con aprendizaje supervisado Regresión Clasificación 6.2. Aplicaciones con aprendizaje no supervisado Cuantificación vectorial Modelos que se basan en variables latentes 6.3. Aplicaciones del aprendizaje por refuerzo Control adaptativo 5 / 11

6 7. Modelos supervisados (4 horas) 7.1. Perceptrón 7.2. Perceptrón multicapa (MLP) 7.3. RBF Radial basis Functions 7.4. Vecinos más próximos (K-Nearest Neightbours) 7.5. Máquinas de Suporte Vectorial (SVM) 8. Modelos no supervisados (4 horas) 8.1. VQ Cuantificación vectorial Modelos K-means 6 / 11

7 Mapas auto-organizados SOM (Modelos de Kohonen) 8.2. Modelos basados en variables latentes PCA - Principals Component Analysis ICA Independant Component Analysis 9. Proyectos conexionistas (8 horas) 9.1. Estudio y viabilidad de un proyecto 9.2. Proyectos basados en redes neuronales. Características 9.3. Bases de datos 9.4. Prototipos y su validación 7 / 11

8 9.5. Realización 10. Principios de implementación hardware (16 horas) Requerimientos hardware específicos. Análisis y consideraciones Arquitecturas de dispositivos programables Sistemas integrados programables Soluciones hardware dedicadas (CAST) Solucions hardware dedicades. Descripción: (CAST) Actividades vinculadas: (CAST) Sistema de calificación Prueba teórica. Realización y presentación de un trabajo. 8 / 11

9 Normas de realización de las actividades 9 / 11

10 Bibliografía Básica: Mange, D.; Tomassini, M. (eds.). Bio-inspired computing machines: towards novel computational architectures. Lausanne: Presses Polytechniques et Universitaires Romandes, ISBN Sipper, M. Evolution of parallel cellular machines: the cellular programming approach [en línea]. Berlin [etc.]: Springer, 1997 [Consulta: 08/02/2012]. Disponible a: < ISBN Fogel, D.B. Evolutionary computation: toward a new philosophy of machine intelligence. 3rd ed. Hoboken (New Jersey): John Wiley & Sons : IEEE Press, ISBN Sekanina, L. Evolvable components: from theory to hardware implementations. Berlin [etc.]: Springer, ISBN Cabestany, J.; Bermejo, S. Sistemas conexionistas para el tratamiento de la información [en línea]. Barcelona: Edicions UPC, 2003 [Consulta: 08/02/2012]. Disponible a: < ISBN Anthony, M.; Barlett, P.L. Neural network learning: theoretical foundations. Cambridge: Cambridge University Press, ISBN X. Hastie, T.; Tibshirani, R.; Friedman, J. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. New York [etc.]: Springer, ISBN Principe, J.C.; Euliano, N.R.; Lefebvre, W.C. Neural and adaptive systems: fundamentals through simulations. New York [etc.]: John Wiley & Sons, ISBN Haykin, S.S. Neural networks: a comprehensive foundation. 2nd ed. Upper Saddle River: Prentice Hall, ISBN Kecman, V. Learning and soft computing: support vector machines, neural networks, and fuzzy logic models. Cambridge, Mass.: The MIT Press, ISBN Moreno, A. [et al.]. Aprendizaje automático [en línea]. Barcelona: Edicions UPC, 1994 [Consulta: 15/02/2012]. Disponible a: < ISBN Hu, Y.H.; HWANG, J.-N. (eds.). Handbook of neural network signal processing. Boca Raton [etc.]: CRC Press, ISBN Complementaria: Wolpert, L. The triumph of the embryo. Oxford [etc.]: Oxford University Press, ISBN Coen, E. The art of genes: how organisms make themselves. Oxford [etc.]: Oxford University Press, ISBN Goldberg, D.E. The design of innovation: lessons from and for competent genetic algorithms. Boston [etc.]: Kluwer Academic Publishers, ISBN Kitano, H. (ed.). Foundations of systems biology. Cambridge, Mass.: MIT Press, ISBN Tanford, C.; Reynolds, J.A. Nature's robots: a history of proteins. New York: Oxford University Press, ISBN X. Bear, M.F.; Connors, B.W.; Paradiso, M.A. Neuroscience: exploring the brain. 3rd ed. Philadelphia: Lippincott, Williams and Wilkins, ISBN Maxwell, W.; Jessell, T.M.; Lawrence, S. (eds.). Molecular and cellular approaches to neural development. New York: Oxford University Press, ISBN Levitan, I.B.; Kaczmarek, L.K. The neuron: cell and molecular biology. 3rd ed. New York [etc.]: Oxford University Press, ISBN Maass, W.; Bishop, C. (eds.). Pulsed neural networks. Cambridge: MIT Press, ISBN / 11

11 Gerstner, W.; Kistler, W.M. Spiking neuron models: single neurons, populations, plasticity. Cambridge, U.K. ; New York: Cambridge University Press, ISBN Dasgupta, D. (ed.). Artificial immune systems and their applications. Berlin [etc.]: Springer-Verlag, ISBN Vidyasagar, M. Learning and generalization: with applications to neural networks. 2nd ed. London [etc.]: Springer, ISBN Vapnik, V.N. The nature of statistical learning theory. 2nd ed. New York ; Barcelona [etc.]: Springer-Verlag, ISBN Kartalopoulos, S.V. Understanding neural networks and fuzzy logic: basic concepts and applications. New York: IEEE Press, ISBN Isasi, P.; Galván, I.M. Redes de neuronas artificiales: un enfoque práctico. Madrid [etc.]: Prentice Hall, ISBN Martin del Brío, B.; Sanz, A. Redes neuronales y sistemas borrosos. 3a ed. rev. y ampliada. Madrid: Ra-ma, ISBN Otros recursos: 11 / 11