teóricos: 3/2 prácticos: 1.5/1.5 CURSO: 3º CUATRIMESTRE: 2º CICLO: 1º

Transcripción

1 FICHA DE ASIGNATURAS DE INGENIERÍA TÉCNICA EN INFORMÁTICA DE SISTEMAS PARA GUÍA DOCENTE. EXPERIENCIA PILOTO DE CRÉDITOS EUROPEOS. UNIVERSIDADES ANDALUZAS DATOS BÁSICOS DE LA ASIGNATURA NOMBRE: Modelos Computacionales CÓDIGO: AÑO DE PLAN DE ESTUDIO: 1999 TIPO (troncal/obligatoria/optativa) : Optativa Créditos totales (LRU / Créditos LRU/ECTS Créditos LRU/ECTS ECTS): 4.5/3.5 teóricos: 3/2 prácticos: 1.5/1.5 CURSO: 3º CUATRIMESTRE: 2º CICLO: 1º DATOS BÁSICOS DE LOS PROFESORES NOMBRES: Domingo Ortiz Boyer CENTRO/DEPARTAMENTO: Escuela Politécnica Superior/ Informática y Análisis Numérico ÁREA: Ciencia de la Computación e Inteligencia Artificial Nº DESPACHO: Campus de Rabanales, Edificio A. Einstein, 3ª planta, pasillo sur. dortiz@uco.es URL WEB: DATOS ESPECÍFICOS DE LA ASIGNATURA 1. DESCRIPTOR TF: Introducción a la inteligencia artificial Introducción a NP_Completitud Modelos Evolutivos Modelos Neuronales

2 2. SITUACIÓN 2.1. PRERREQUISITOS: No se establece ningún prerrequisito CONTEXTO DENTRO DE LA TITULACIÓN: Está asignatura está relacionada con las siguientes asignaturas: - Metodología y tecnología de la información (primer curso) - Matemáticas I (primer curso) - Matemática II (primer curso) - Estructura de datos y la información (segundo curso) - Informática aplicada (segundo curso) 2.3. RECOMENDACIONES: Se deben tener conocimientos sobre los siguientes conceptos: - Diseño de algoritmos: explicados en la asignatura de primer curso denominada Metodología y Tecnología de la Programación. - Lógica matemática: explicados en la asignatura de primer curso denominada Matemáticas II. 3. COMPETENCIAS 3.1. COMPETENCIAS TRANSVERSALES/GENÉRICAS: Aprendizaje autónomo Capacidad de análisis y síntesis Capacidad de aplicar los conocimientos a la práctica Resolución de problemas Trabajo individual y en grupo Comunicación oral y escrita 3.2. COMPETENCIAS ESPECÍFICAS: Cognitivas (Saber): - Idioma - Matemáticas - Nuevas tecnologías TIC - Conocimientos de informática Procedimentales/Instrumentales (Saber hacer): - Redacción en interpretación de documentación técnica - Estimación y programación del trabajo - Planificación, organización y estrategia Actitudinales (Ser): - Calidad - Toma de decisión - Capacidad de iniciativa y participación

3 4. OBJETIVOS Familiarizar al alumno con el concepto de Inteligencia Artificial. Demostrar al alumno la imposibilidad que los métodos tradicionales tienen para la resolución de determinados problemas que, sin embargo, son fácilmente resueltos por la naturaleza o los humanos. Presentar y explicar los fundamentos de la Programación Evolutiva y las Redes Neuronales como alternativa a la resolución de problemas.

4 5. BIBLIOGRAFÍA Michalewicz, Z. Genetic Algorithms + Data Structures = Evolution Programs, Springer, ISBN: Bäck, T. Evolutionary Algorithms in Theory and Practice, Oxford University Press, ISBN: Zeidenberg, M. Neural Networks in Artificial Intelligence, Ellis Horwood Series in Artificial Intelligence, ISBN: Minsky, M. L., Papert, S. A. Perceptrons, Expanded Edition, MIT Press, ISBN: Hecht-Nielsen, R. Neurocomputing, Addison-Wesley Publishing Company, Inc., ISBN: Bishop, C. M. Neural Networks for Pattern Recognition, Oxford University Press, ISBN:

5 6. TÉCNICAS DE EVALUACIÓN Examen de teoría. 7. CRITERIOS DE EVALUACION Y CALIFICACIÓN: La evaluación de la asignatura se realizará exclusivamente mediante un examen final de teoría, que representará el 100% de la calificación global de la asignatura.

6 8. TEMARIO DESARROLLADO Primera Parte: Introducción a los Modelos Computacionales 1. Introducción a la NP_Completitud 1.1. Ineficiencia e Intratabilidad - Torres de Hanoi - El puzzle del mono 1.2. Tiempo razonable/irrazonable 1.3. Problemas NP_Completos - Reducción del camino Hamiltoniano al problema del Agente 1.4. No Computabilidad e Indecibilidad - El problema del embaldosado o domino 1.5. Verificación de programas - El problema de la parada - Probando la indecibilidad - Problemas indecidibles 1.6. Niveles de comportamiento algorítmico Segunda Parte: Modelos Evolutivos 2.- Algoritmos Genéticos 2.1. Componentes de un algoritmo genético 2.2. Esquema básico 2.3. Representación - Binaria - Real - Dependientes del problema 2.4. Métodos de inicialización - Uniforme - Gausiano 2.5. Funciones de evaluación

7 - Unimodales - Multimodales 3.- Métodos de selección 3.1. Selección por rangos 3.2. Selección por ruleta 3.3. Selección por torneos 4.- Operadores de cruce 4.1. Operadores binarios - Cruce en un punto - Cruce en n puntos - Cruce uniforme - Otros 4.2. Operadores reales - Cruce Aritmetico - Cruce Aleatorito - Cruce BLX - Cruce SBX - Cruce CIXL2 y CIXL1 - Otros 5.- Operadores de mutación 5.1. Operadores binarios - Mutación en un punto - Mutación aleatoria 5.2. Operadores reales - Mutación uniforme - Mutación gausiana - Mutación no uniforme - Mutación Mhülenbein

8 - Mutación continua modal - Mutación discontinua modal 6.- Influencia de los parámetros de un Algoritmo Genético 6.1. El problema de la convergencia prematura 6.1. El problema de la precisión de la solución 6.2. Tamaño de la población 6.3. Numero de generaciones 6.4. Probabilidad de cruce y mutación 6.5. Ciclo de evolución 6.6. Convergencia prematura 7.- Otros Modelos Evolutivos - Estrategias Evolutivas - Programación Genética - Algoritmos Evolutivos basados en Distribuciones - Otros Tercera Parte: Redes Neuronales 8. Características principales de las Redes Neuronales 8.1. Introducción a las Redes Neuronales 8.2. Funcionamiento de una Red Neuronal Biológica 8.3. Características de las redes Neuronales Artificiales - Notación - Funciones de Transferencia Función de Transferencia Limitador Fuerte (hardlim) Función de Transferencia Lineal (purelin) Función de Transferencia Sigmoidal (logsig) - Topología de una Red

9 9. Redes Perceptron Antecedentes 9.2. Estructura de la Red 9.3. Regla de Aprendizaje 9.4. Limitacion del Perceptron 9.6. Perceptron Multicapa 10. Redes Adaline Antecedentes Estructura de la Red Regla de Aprendizaje 11. Redes Backpropagation Antecedentes Estructura de la Red Regla de Aprendizaje - Red Backpropagation con momentum - Red Backpropagation con ratio de aprendizaje variable - Método del Gradiente Conjugado - Algoritmo de Levenberg - Marquardt 12. Aprendizaje Asociativo Antecedentes Estructura de la Red Regla de Hebb Red Instar Red Oustar 13. Redes Competitivas Antecedentes Red de Kohonen

10 13.3. Red de Hamming Estructura de la Red Regla de Aprendizaje Problemas con las Redes Competitivas 13.8 Mapas de Auto Organización (SOM) 13.9 Learning Vector Quantization (LVQ) 14. Redes Recurrentes Red de hopfield - Antecedentes - Estructura de la Red - Regla de Aprendizaje - Indentificacion de Sistemas Dinamicos No Lineales Redes Multicapa - Estructura de la Red - Regla de aprendizaje - Red de Elman - Estructura de la REd - Entrenamiento de la Red

11