DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SOFTWARE

Transcripción

1 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SOFTWARE 1. INFORMACIÓN GENERAL 1.1 Nombre y código de la asignatura : INTELIGENCIA ARTIFICIAL Número de créditos : Número de horas semanales : Teoría: 02 h, Práctica: 02 h, Laboratorio 02 h. 1.4 Ciclo de estudio : VIII 1.5 Periodo Académico : II 1.6 Pre-requisitos : Estructura de Datos II 1.7 Profesores: Juan Gamarra Moreno (Coord.) 2. SUMILLA Esta asignatura de formación profesional especialidad tiene el propósito de revisar los fundamentos de la programación lógica, programación funcional, que permita desarrollar software basados en conocimiento usando lenguajes como el PROLOG, LISP, etc. 3. COMPETENCIA GENERAL Aplicar los conocimientos del área de Inteligencia Artificial en general e implementar programas con los aspectos básicos de juegos inteligentes, sistemas expertos, lógica difusa y algoritmos genéticos y su aplicación en la resolución de problemas inteligentes de una manera crítica. 4. PROGRAMACIÓN UNIDAD 01: INTRODUCCIÓN A INTELIGENCIA ARTIFICIAL COMPETENCIAS ESPECÍFICAS. Comprender qué es la Inteligencia Artificial y la complejidad de sus problemas, reflexionando críticamente acerca de sus posibilidades reales, mitos y realidades. SEM. CONTENIDOS ESTRATEGIAS DIDACTICAS 1 Introducción a la Inteligencia Artificial. Presentación del participativa y curso. Definición de la Inteligencia Artificial. Aplicaciones en la industria y servicios. ACTIVIDADES Laboratorio 1: Clases para representar búsqueda. EVALUACIÓN Desarrollo de

2 UNIDAD 02: REPRESENTACION DE PROBLEMAS COMO BUSQUEDA DE ESTADOS. COMPETENCIAS ESPECÍFICAS. Representar y resolver problemas de juego humano - máquina a través de técnicas de búsqueda en un espacio de estado. Conocer las diferentes estrategias de búsqueda ciega e informada. Diseñar y desarrollar software para, resolver problemas representados como búsqueda de estados, para juegos inteligentes con interacción humano-máquina, y que usen las estrategias de búsqueda adecuadas. SEM. CONTENIDOS ESTRATEGIAS DIDACTICAS 2 Problemas de Búsqueda Estados y Acciones. Ejemplos participativa y de Soluciones a problemas de Búsqueda. 3 Representación de problemas de juego humano máquina como búsqueda en un espacio de estado Definición de problemas de la IA como problemas de búsqueda en un espacio de estado. Representación de problemas de juegos humano máquina. 4 Algoritmos de Búsqueda No Informada Búsqueda ciega o no informada: no cuenta con ningún conocimiento sobre cómo llegar al objetivo. 5 Algoritmos de Búsqueda Informada Búsqueda informada: aplicar conocimiento al proceso de búsqueda para hacerlo más eficiente. UNIDAD 03: SISTEMAS EXPERTOS. participativa y participativa y y ACTIVIDADES Laboratorio 2: Interfaces para representar estados y acciones. Laboratorio 3: Creación de árboles de búsqueda de un problema. Laboratorio 4: búsqueda no informada. Laboratorio 5: búsqueda informada. EVALUACIÓN COMPETENCIAS ESPECÍFICAS. Diseñar y desarrollar sistemas expertos basados en diversos motores de inferencias (métodos de encadenamiento), y lógica difusa considerando criterios de calidad. 6 Representación del Conocimiento Representación del conocimiento mediante lógica proposicional. Representación mediante lógica de predicados. Representación mediante reglas de producción 7 Presentación de trabajos computacionales Se deberá presentar un informe y un software, y deberán exponer sus trabajos. participativa. 8 Examen Parcial. Laboratorio 6: Lógica de predicados con Prolog. demostración de programas. presentación de trabajos.

3 9 sistemas expertos basados en reglas con encadenamiento hacia atrás. Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento. Técnicas de resolución de conflictos. 10 sistemas expertos basados en reglas con encadenamiento hacia adelante. Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento. Técnicas de resolución de conflictos. Construcción de la base de hechos y base de conocimiento. 11 Lógica difusa Teoría de la certeza. Factor de certeza. Factores de certeza en sistemas basados en reglas. Lógica difusa. Variables lingüísticas. Teoría de conjuntos difusos. Aproximación de las funciones de pertenencia en los conjuntos difusos. Operaciones entre conjuntos difusos. 12 un sistema difuso basado en reglas. Definición de reglas difusas. Construcción del sistema difuso. Prueba del sistema Defuzzificación de la variable de salida Laboratorio 7: expertos con encadenamiento hacia atrás Laboratorio 8: expertos con encadenamiento hacia adelante. Laboratorio 9: de conjuntos difusos.. Laboratorio 10: expertos difusos basados en reglas. UNIDAD 04: ALGORITMOS GENÉTICOS. COMPETENCIAS ESPECÍFICAS. Diseñar y desarrollar algoritmos genéticos para la solución de problemas de optimización complejos reconociendo sus limitaciones y conveniencia de forma crítica. 13 Algoritmos Genéticos. Algoritmos Genéticos. Cromosoma. Función de Aptitud. Operadores de algoritmos genéticos. Población e Individuos. 14 Algoritmos Genéticos Construcción de un algoritmo genético. Prueba del algoritmo genético. 15 Presentación de trabajos computacionales Se deberá presentar un informe y y participativa Laboratorio 11: de la arquitectura de un algoritmo genético. Laboratorio 12: de algoritmos genéticos en problemas de optimización. presentación de trabajos Desarrollo de Desarrollo de demostración de programas

4 y un software, y deberán exponer sus trabajos. 16 Examen Final. 17 Examen Sustitutorio 5. ESTRATEGIA DIDACTICA El curso se desarrolla a través de actividades teórico prácticas, dando énfasis a aplicaciones en la industria y servicios. Los estudiantes, organizados en equipos desarrollarán dos trabajos computacionales. Durante las sesiones semanales se evaluará el avance de los trabajos computacionales y el proceso de aprendizaje a través de la plataforma virtual. Durante las sesiones de laboratorio se desarrollará la programación básica relacionada a los temas tratados. Y se asesorarán los avances de los trabajos grupales. 6. EVALUACION DEL APRENDIZAJE El Promedio Final (PF) se determina de la forma siguiente: PF = 0.10*PCL + 0.2*(TB1 + TB2) *PLA + 0,175*(EP +EF) Donde: PCL: Promedio de Controles de Lectura TB1: Trabajo Grupal 1 TB2: Trabajo Grupal 2 EP: Examen Parcial EF: Examen Final PLA: Promedio de Laboratorios El alumno podrá sustituir la nota del examen parcial o final siempre que no haya podido dar alguno de estos exámenes. Solamente serán evaluados los alumnos que presenten 70% o más de asistencia. 7. REFERENCIAS BIBLIOGRÁFICAS [0] JUAN GAMARRA M. Apuntes de clase [1] STUART RUSSELL; PETER NORVIG Artificial Intelligence - A Modern Approach - 3rd Edition. Ed. Pearson New International Edition ISBN-13: , ISBN-10: [2] JOSÉ PALMA M., ROQUE MARIN M. Inteligencia artificial, técnicas métodos y aplicaciones. Ed. Mc Graw Hill ISBN [3].PEDRO PONCE C. Inteligencia artificial con aplicaciones a la Ingeniería. Ed. Alfaomega ISBN [4].DURKIN, JOHN System Expert: Design and Development. Ed. Macmillan Publishing Company

5 ISBN [5] GEORGE F. LUGER, WILLIAM A. STUBBLEFIELD AI Algorithms, Data Structures, and Idioms in Prolog, Lisp, and Java. Ed. Pearson Education, Inc ISBN-13: , ISBN-10: [6] MARK WATSON Practical Artificial Intelligence Programming With Java. Fourth Edition. Leanpub [7] MARK WATSON Loving Common Lisp, or the Savvy Programmer's Secret Weapon. Fourth Edition. Leanpub [8] JOSE R. HILERA, VICTOR J. MARTINEZ. Redes neuronales artificiales, fundamentos, modelos y aplicaciones. Ed. Alfaomega Rama ISBN