PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS

Transcripción

1 PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS INTELIGENCIA ARTIFICIAL II IS7 Ingeniería de Sistemas SEPTIMO PROFESOR: JORGE AGUILAR J. SEMESTRE / AÑO ACADEMICO: Feb/2008-Jun/ DESCRIPCION DEL CURSO En términos generales, existen dos grandes enfoque en Inteligencia Artificial (IA), el enfoque simbólico y el sub-simbólico, la forma de modelar la IA, con estas dos aproximaciones normalmente es a través de un modelamiento explicito e implícito respectivamente para los dos enfoques. El presente curso pertenece al campo del modelamiento implícito de la IA, en el que revisaremos dos grandes temas: Redes Neuronales Artificiales y Computación Evolutiva. El modelamiento implícito tiene que ver con modelar aquel objeto que tiene que ver con el comportamiento inteligente: las redes neuronales biológicas y la evolución respectivamente, por lo tanto representa un enfoque distinto a la aproximación basada en la lógica y reglas que pertenece al modelamiento explícito. 3. OBJETIVO GENERAL Dar una visión del campo de las redes neuronales, su aplicación y problemas que aborda y una revisión detallada de las tres principales arquitecturas de aprendizaje supervisado y no supervisado. Y una visión del campo de la computación evolutiva y una profundización en los algoritmos genéticos.. 4. OBJETIVO ESPECÍFICO Revisar los conceptos que permiten formalizar las arquitecturas de las redes neuronales artificiales y revisar las principales topologías, de tal manera que el estudiante este preparado para usarlas como herramientas de análisis de datos. Página i

2 Analizar la fundamentación teórica de las redes de retro-propagación, redes de base radial, y mapas auto-organizativos. Y revisar la implementación en software usando Matlab con el uso de sesiones de laboratorio mediante ejemplos prácticos. En Computación evolutiva, se revisaran los conceptos que definen el tema, se hará una revisión rápida de las ramas más importantes de la misma y se profundizará en los Algoritmos Genéticos explicando su efectividad como una técnica de búsqueda. Se desarrollará proyectos grupales que permitan a los estudiantes aplicar el conocimiento a problemas específicos. 5. CONTENIDOS 1 Introducción a las Redes Neuronales Artificiales. Introducción. Fundamentos de Las RNA. Características de una red neuronal artificial. Áreas de Aplicación de las RNA 2. Perceptron Simple 2.1 Arquitectura 2.2 Algoritmo 2.3 Entrenando a partir de ejemplos 3. Perceptron Multicapa 3.1 Aprendizaje Supervisado 3.2 El Perceptron Multicapa. 3.3 Sobre-entrenamiento 3.4 Algunas Preguntas 4 Aproximación de funciones y Red de Función de Base Radial: 4.1 Introducción 4.2 Regresión paramétrica y regresión no - paramétrica 4.3 Modelos lineales 4.4 Aproximación de una función desconocida: 4.5 Funciones de Base Radial: 4.6 Red de Función de Base Radial: 4.7 Entrenamiento de la red: 4.8 Cálculo de los Pesos (conexiones de la capa de salida) 4.9 RBR y PMC 5. Redes de Aprendizaje No Supervisado 5.1. Introducción 5.2 Aprendizaje Competitivo 5.3 Redes de Aprendizaje Competitivo básicas 5.4 Mapas Auto-Organizativos de Kohonen 5.5 Limitaciones y Aplicaciones de la red de Kohonen Página ii

3 6. Minería de Datos Introducción Estructura de un Sistema Neuronal Minerìa de datos: varios Enfoques Los algoritmos de la búsqueda 7. Introducción a la Computación Evolutiva Introducción a la Computación Evolutiva Algoritmos Evolutivos y Métodos tradicionales de Búsqueda Paradigmas Importantes de la Computación Evolutiva Componentes comunes en los Algoritmos Evolutivos 8. Algoritmos Genéticos Algoritmo canónico y algoritmos auto-adaptativos Teorema de los esquemas NK- Lanscapes 6. METODOLOGIA, RECURSOS Los estudiantes cuentan con el material necesario para que revisen el contenido de la clase siguiente con el objetivo de tener una participación activa del alumnado, y de esta forma el profesor actué como expositor, guía y facilitador del proceso de aprendizaje y su comprensión del material del curso. La clase debe ser el lugar de encuentro para discutir entre todos, los contenidos revisados por los alumnos. Existirán pocos temas magistrales que ameriten una exposición directa por parte del profesor. Una vez cubierto un tema, y resueltas todas las preguntas que plante el alumnado, se trabajará en talleres con tareas puntuales que permitan profundizar y afianzar los contenidos. Esta metodología implica iniciar la clase con un control de lectura y la participación y aporte de los alumnos a la discusión será evaluada con aportes extras que suban el valor del puntaje final. También se realizará los talleres y laboratorios con las herramientas de software disponibles. 7. EVALUACION: Si queremos hacer unas clases participativas, este punto debe ser considerado en las calificaciones. Esta participación se basara en el conocimiento adquirido en clases y en las lecturas sobre la materia correspondiente. Adicionalmente se tendrán pruebas informes de laboratorio y los exámenes y trabajos en grupo. Cada una de las notas parciales está compuesta de 3 componentes, que se distribuyen de la siguiente manera: Página iii

4 Control de lectura y participación en clase: 20% Pruebas y Laboratorios 30% Exámenes: 50% Las notas serán oportunamente entregadas. Evaluaciones periódicas Exámenes máximo una semana antes de entrega de notas 8. BIBLIOGRAFIA: Bibliografía Jorge Aguilar, Apuntes de Inteligencia Artificial. Donald Tveter (1998) The Pattern recognition Basis of Artificial Intelligence, IEEE Computer Society The Brain Theory and Neural Networks, Second Edition Edited by Michael A. Arbib, November 2002 Hilera y Martínez (1995), Redes Neuronales Artificiales, Addison-Wesley Fremman y Skapura (1993), Redes Neuronales, Addison-Wesley Melanie Mitchell (1997) An Introduction to Genetic Algorithms, the MIT press Haykin Simon (1998) Neural Networks: A Comprehensive Foundation (2nd Edition) En el enlace de e-libro de la biblioteca virtual, existen algunos libros dedicados al tema de redes neuronales y computación evolutiva. Cualquiera de ellos contiene material útil. Disponible en Internet Krose Ben and van der Smagt (1996) An Introduction to Neural Networks, Krose: Backpropagation: (PMC) Redes de Bases Radial: Mapas Auto organizativos Laboratory of computer and information science adaptive informatics research center Redes Bayesianas David Heckerman, ``A Tutorial on Learning with Bayesian Networks``, Zoubin Ghahramani, ``Learning Dynamic Bayesian Networks``, Computación Evolutiva: Evoweb: Página iv

5 información relacionada a la investigación en algoritmos genéticos y otras formas de computación evolutiva. Dedicado a la computación evolutiva, siempre IEEE computational intelligence Society: 9. DATOS DEL PROFESOR. a. Jorge Aguilar J. j.aguilar@computer.org, jaaguilarj@puce.edu.ec Página v