Línea de Especialización Inteligencia Computacional y Robótica

Transcripción

1 Línea de Especialización Inteligencia Computacional y Robótica 1.- Propósito de la línea de especialización La Inteligencia Computacional agrupa la teoría, diseño y aplicación de métodos y técnicas biológica y lingüísticamente inspirados que han motivado paradigmas que se expresan en teorías de redes neuronales artificiales, computación evolutiva, lógica difusa y sistemas híbridos. Dentro de esta área se incluyen aplicaciones tales como reconocimiento de patrones, procesamiento de señales biomédicas, interfaces humanocomputador, minería de datos, visión computacional y procesamiento digital de imágenes. Por otra parte, la robótica es una disciplina que busca el diseño, la construcción y el control de máquinas autónomas, es decir, capaces de tomar sus propias decisiones. Existe un interesante traslape entre robótica e inteligencia computacional, dado que los sistemas perceptuales, motrices y de control de alto nivel de los robots se diseñan usando mayoritariamente técnicas de inteligencia computacional. 2.- Listado de profesores Profesores Jornada Completa: Pablo Estévez. Claudio Pérez. Javier Ruiz del Solar. Profesores Jornada Parcial: Claudio Held. Alejandro Ehrenfeld. Cristián Figueroa. 3.- Requisitos de la línea de especialización La línea de especialización requiere que se tomen los cursos EL4106 Inteligencia Computacional y EL5206 Laboratorio de Inteligencia Computacional y Robótica. Además, se deben tomar tres cursos del grupo de cursos denominados Metodologías Avanzadas. Al menos otros dos cursos deben ser tomados del mencionado grupo o del grupo de cursos denominado Análisis y Diseño. A) Cursos de Metodologías Avanzadas (mínimo 30UD) Redes neuronales artificiales y sistemas de aprendizaje Introducción al procesamiento digital de imágenes Procesamiento avanzado de imágenes Robótica móvil

2 Lógica difusa y sistemas expertos B) Cursos de Análisis y Diseño (mínimo 20UD) Arquitectura de computadores Diseño de sistemas con dispositivos de alto nivel de integración Algoritmos y estructuras de datos Metodologías de diseño y programación Introducción a la minería de datos 4.- Descripción general de los cursos EL4106 Inteligencia Computacional (Núcleo, Pregrado) estudiante aplique y evalúe técnicas de inteligencia computacional en problemas de reconocimiento de patrones, análisis de datos, optimización y diseño. i. Fundamentos de inteligencia computacional. ii. Clasificador bayesiano, lineales, y redes neuronales MLP. iii. Fundamentos del clustering. métodos K-means, difuso K- means. Mapas auto-organizativos de Kohonen. iv. Optimización y diseño con algoritmos evolutivos. EL5206 Laboratorio de Inteligencia Computacional y Robótica (Laboratorio de Núcleo, Pregrado) estudiante comprenda las nociones de minería de datos, procesamiento digital de imágenes, y robótica. Además, que diseñe y evalúe soluciones a problemas de mediana complejidad en una de las tres áreas de aplicación: minería de datos, procesamiento digital de imágenes y robótica móvil. i. Minería de Datos, clustering, clasificación. ii. Procesamiento de imágenes, adquisición, pre-procesamiento, clasificación y detección de objetos. iii. Robótica móvil, sensores, actuadores, control básico.

3 EL7006 Redes Neuronales Artificiales y Sistemas de Aprendizaje (Electivo de Pregrado-Postgrado) estudiante entienda y aplique los conceptos básicos de la teoría de redes neuronales y sistemas de aprendizaje, sus aplicaciones y el entorno en que se sitúa. i. Neurodinámica. Redes de Hopfield. Redes neuronales recurrentes. Procesamiento temporal con redes neuronales, redes TDNN, FIR, filtros Gamma. ii. Reconocimiento estadístico de patrones. Estimación de densidad paramétrica. Estimación de densidad no-paramétrica. Métodos de kernels. iii. Aprendizaje por teoría de información (Information Theoretic Learning). Entropía, divergencia e información mutua cuadrática. Principio Infomax. Minimización de la entropía del error. Correntropía. Principio de información relevante. Reproducing kernel Hilbert spaces. Filtro de kernels adaptivos. Máquinas de kernel. Kernel LMS. Kernel PCA. EL7007 Introducción al Procesamiento Digital de Imágenes (Electivo de Pregrado-Postgrado) estudiante entienda los fundamentos biológicos y matemáticos del procesamiento digital de imágenes y del reconocimiento de patrones y sus aplicaciones. i. Herramientas matemáticas, convolución y transformada de Fourier bidimensional discretas. ii. Procesamiento de imágenes del sistema visual humano, fenómenos visuales, bandas de Mach. Luminancia y brillo. iii. Modificaciones del rango din mico y contraste. iv. Segmentación de imágenes, detección de contornos, fronteras y seguimiento. v. Transformada de Hough, clasificación de patrones, detección de movimiento.

4 EL7008 Procesamiento Avanzado de Imágenes (Electivo de Pregrado-Postgrado) estudiante comprenda aspectos del procesamiento avanzado de imágenes con énfasis en aplicaciones de detección, reconocimiento y seguimiento de objetos y personas en imágenes. i. Multiresolución y procesamiento de imágenes. ii. Reconocimiento de objetos en base a descriptores locales. iii. Reconocimiento estadístico de patrones y su aplicación a detección y clasificación de objetos. iv. Análisis espacial/frecuencial de imágenes. v. Reconocimiento de rostros. vi. Seguimiento de objetos en movimiento. EL7009 Robótica Móvil (Electivo de Pregrado-Postgrado) estudiante comprenda la Robótica Móvil con énfasis en aplicaciones prácticas de control, localización y navegación. i. Introducción a la robótica móvil. ii. Actuación y locomoción. iii. Sensado y percepción. iv. Control de alto nivel de robots móviles. v. Representación del entorno y navegación. vi. Localización y SLAM. vii. Aprendizaje reforzado y robótica evolutiva.

5 EL7010 Lógica Difusa y Sistemas Expertos (Electivo de Pregrado-Postgrado) estudiante entienda y aplique los conceptos básicos de la teoría de conjuntos difusos y lógica difusa, sus aplicaciones y el entorno en que se sitúa. i. Propiedades y operaciones en conjuntos difusos. Variables linguísticas y números difusos, grados de difusión, entropía, relaciones difusas. ii. Introducción a la interpretación posibilística. Lógica difusa. Normas y conormas T. Reglas de inferencia. Propiedades de los conjuntos de reglas. Mapas de reglas. iii. Aplicaciones en sistemas expertos y control difuso (tipo Mamdani). Sesgo a procesos complejos o pobremente definidos, y control supervisor. iv. Otras aproximaciones a la inteligencia computacional: sistemas basados en conocimiento, cálculo predicativo. Representación de la ignorancia y combinación de conocimientos de múltiples fuentes (Dempster y Shafer).