Área de Ingeniería Telemática Universidade de Vigo Fundamentos de Inteligencia Artificial Manuel Ramos Cabrer (Curso 2010/11)
Objetivos Introducción a la disciplina de la Inteligencia Artificial desde una perspectiva ingenieril, fundamental e integradora. Presentación de los fundamentos para la resolución de problemas basados en conocimiento (búsqueda, representación del conocimiento y razonamiento). Introducción de las técnicas de tratamiento de la imprecisión y la incertidumbre en la especificación y tratamiento del conocimiento. Presentación de los mecanismos básicos de aprendizaje automático en máquinas.
I. Introducción a la Inteligencia Artificial (4 horas) II. Búsqueda de Soluciones (4 horas) III. Representación del conocimiento y razonamiento (8 horas) IV. Razonamiento bajo incertidumbre (6 horas) V. Aprendizaje (6 horas) VI. Conclusiones (2 horas) TOTAL = 30 horas
I. Introducción a la Inteligencia Artificial Duración: 4 horas Objetivos Introducir al alumno en la materia. Introducir los principales conceptos y paradigmas de la Inteligencia Artificial. Proporcionar una visión global e integradora de la disciplina.
I. Introducción a la Inteligencia Artificial 1.1. Concepto de Inteligencia Artificial 1.2. Perspectiva histórica 1.3. Relación con otras disciplinas 1.4. Paradigmas y ámbitos de aplicación 1.5. Conceptos de sistema basado en conocimiento y sistema experto 1.6. Ingeniería del conocimiento 1.7. Perspectiva integradora: Agentes inteligentes 1.8. Estado del arte
II. Búsqueda de soluciones Duración: 4 horas Objetivos Introducir el concepto de búsqueda y su utilización en resolución de problemas. Describir diversos algoritmos de búsqueda y sus características. Presentar el problema de la explosión combinatoria y sus consecuencias Introducir el concepto de heurístico como paradigma básico en la resolución de problemas complejos.
II. Búsqueda de soluciones 2.1. Planteamiento de problemas mediante búsqueda 2.2. Ejemplos 2.3. Evaluación de estrategias de búsqueda 2.4. Estrategias de búsqueda a ciegas 2.5. Búsqueda en problemas de satisfacción de restricciones 2.6. Problemas de la búsqueda a ciegas 2.7. Conocimiento de Control: concepto de heurístico 2.8. Estrategias de búsqueda informada 2.9. Búsqueda con adversarios (juegos) 2.10. Análisis medios-fines
III. Representación del conocimiento y razonamiento Duración: 8 horas Objetivos Introducir la representación del conocimiento como uno de los conceptos esenciales en el ámbito de la Inteligencia Artificial. Describir y comparar los principales métodos de representación del conocimiento. Introducir el concepto de inferencia como método de generar nuevos hechos.
III. Representación del conocimiento y razonamiento 3.1. Introducción al problema de la representación del conocimiento y el razonamiento 3.2. Tipos de conocimiento 3.3. Concepto de razonamiento e inferencia 3.4. La lógica de proposiciones como sistema inferencial 3.5. Ejemplo: Sistemas de producción 3.6. Limitaciones de la lógica de proposiciones 3.7. Lógica de Predicados de primer orden: Sintaxis y semántica 3.8. Limitaciones de la lógica de predicados de primer orden 3.9. Extensiones de la lógica de predicados de primer orden
III. Representación del conocimiento y razonamiento (II) 3.10. Inferencia en lógica de predicados 3.11. Ejemplo: sistemas basados en reglas con variables 3.12 Representaciones estructuradas del conocimiento: 3.12.1. Triplas objeto-atributo-valor 3.12.2. Redes semánticas 3.12.3. Marcos 3.12.4. Guiones 3.12.5. Comparación entre los distintos paradigmas
IV. Razonamiento bajo incertidumbre Duración: 6 horas Objetivos Introducir los conceptos de incertidumbre, imprecisión y vaguedad, y justificar su aparición a la hora de resolver problemas complejos. Describir y comparar algunos de los mecanismos más utilizados para tratar la incertidumbre, la imprecisión y la vaguedad. Resaltar la importancia de la teoría de la probabilidad en los sistemas de Inteligencia Artificial
IV. Razonamiento bajo incertidumbre 4.1. Incertidumbre, imprecisión y subjetividad 4.2. Métodos simbólicos o cualitativos 4.2.1. Basados en lógica 4.2.2. Sistemas de mantenimiento de verdad 4.3. Métodos numéricos clásicos 4.3.1. Método probabilístico clásico 4.3.2. Modelo de factores de certeza 4.3.3. Teoría de Dempster-Shafer 4.4. Redes de creencia o bayesianas 4.5. Lógica borrosa
V. Aprendizaje Duración: 6 horas Objetivos Comprender la importancia del aprendizaje dentro de los sistemas de Inteligencia Artificial como mecanismo automático de mejora de su comportamiento. Introducir las principales aproximaciones básicas al aprendizaje automático Comparar los diferentes mecanismos y su adecuación a diferentes tipos de problemas
V. Aprendizaje 5.1. Introducción 5.2. Clasificación de métodos de aprendizaje 5.3. Comparación de métodos de aprendizaje 5.4. Aprendizaje subsimbólico 5.4.1. Redes neuronales 5.4.2. Algoritmos genéticos 5.5. Aprendizaje simbólico 5.5.1. Aprendizaje inductivo 5.5.2. Otros métodos de aprendizaje simbólico
Bibliografía básica Stuart Rusell y Peter Norvig. Artificial Intelligence: A Modern Approach. Prentice Hall, 1995. Temas 1-7, 9, 14, 15, 18, 19 y parte del 20 y 21 Válido para todos los temas menos el final del bloque III. Ventajas - Enfoque docente e integrador - Cubre todos los aspectos básicos de la IA - Notas a final de cada capítulo - Información disponible en Internet Inconvenientes - Mala traducción - Ejercicios muy genéricos
Bibliografía básica Representación del conocimiento en sistemas inteligentes Gregorio Fernández Fernández Gregorio Fernández. Representación del conocimiento en sistemas inteligentes. Ciberlibro, 2000. Temas 5 a 12 Válido para bloque III y parte del IV Universidad Politécnica de Madrid Escuela Técnica Superior de Ingenieros de Telecomunicación Departamento de Ingeniería de Sistemas Telemáticos Grupo de Sistemas Inteligentes Ventajas Inconvenientes - Formato electrónico - Sólo cubre parte de la asignatura - Gratuito - Difícil de imprimir - En castellano - Accesibilidad del autor
Bibliografía básica Alison Cawsey. The Essence of Artifical Intelligence. Prentice Hall Europe, 1998. Temas 1, 2, 4 y 7 Válido para todos los temas salvo el Bloque IV Ventajas Inconvenientes - Concisión y claridad - Pocos ejercicios - Cubre la mayoría de los aspectos básicos de la IA - Bajo precio - Trata superficialmente algunos aspectos
Bibliografía complementaria Alternativas al libro de texto: Nils J. Nilsson. Artificial Intelligence: A New Syntesis. Morgan Kaufmann, 1998 Elaine Rich y Kevin Knight. Artificial Intelligence (2ª Edición). McGraw-Hill, 1991 Matt Ginsberg. Essentials of Artificial Intelligence. Morgan Kaufmann, 1993
Bibliografía complementaria Libros de texto con otros puntos de vista: Patrick H. Winston. Artificial Intelligence (3ª Edición). Addison-Wesley, 1992 Thomas Dean, James Allen y Yiannis Aloimonos. Artificial Intelligence: Theory and Pactice. Addison- Wesley, 1995
Bibliografía complementaria Obras de referencia: David Poole, Alan Mackworth y Randy Goebel. Computational Intelligence: A Logical Approach. Oxford Univ. Press, 1998 Edward A. Bender. Mathematical Methods in Artificial Intelligence. IEEE, 1998 Stuart C. Shapiro (ed.). Encyclopedia of Artificial Intelligence. 2ª Edición. John Wiley & Sons, 1992 (2 volúmenes) Otros: Margaret A. Boden (ed.) The Philosophy of Artificial Intelligence. Oxford University Press, 1990