INTELIGENCIA ARTIFICIAL - GRUPO 04

FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA Escuela Académico Profesional de Ingeniería de Sistemas UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMERICA)

SILABO

INFORMACIÓN GENERAL Nombre del Curso    : INTELIGENCIA ARTIFICIAL Código del Curso      : 207008 Duración del Curso  : 17 semanas Forma de Dictado    : Técnico - experimental Horas semanales      : Teoría: 3h - Laboratorio: 2h Naturaleza                  : Formación profesional Número de créditos : Cuatro (04) Prerrequisitos           : 205007 - Investigación Operativa I Semestre académico: 2012 - I Profesores                  :  David Mauricio                                         Hugo Vega Huerta                                          Rolando Maguiña

SUMILLA La Inteligencia Artificial, conceptos, paradigmas y aplicaciones en la industria y servicios. Representación del conocimiento. Representación de problemas de IA como búsqueda en el espacio de estado. Métodos de búsqueda ciegos e informados. Juegos inteligentes hombre-máquina. Sistemas expertos, arquitectura, taxonomía y aplicaciones. Motor de inferencia. Ingeniería de conocimiento, conceptos, evolución. Metodología CommonKads. Calidad y validación de Sistemas Expertos, Introducción a Machine Learning (Aprendizaje automático) y heurísticas.

OBJETIVO GENERAL Los estudiantes adquirirán conocimientos del área de Inteligencia Artificial en general y desarrollarán aspectos básicos en el desarrollo de juegos inteligentes, y sistemas expertos, y su aplicación en la resolución de problemas de la industria y en servicios inteligentes en los sectores de la industria y de servicios.

OBJETIVOS ESPECÍFICOS Comprender que es la Inteligencia Artificial y la complejidad de sus problemas. Representar y resolver problemas de juego humano - máquina a través de técnicas de búsqueda en un espacio de estado. Diseñar y desarrollar software de juegos inteligentes con interacción hombre-máquina y que usen técnicas de inteligencia artificial. Comprender qué son los sistemas expertos y saber cuándo usarlos Conocer que es la Ingeniería de Conocimiento y un método para el desarrollo de sistemas basados en el conocimiento Evaluar la calidad de la solución de sistemas expertos. Diseñar y desarrollar sistemas expertos basados en diversos motores de inferencias (métodos de encadenamiento y redes neuronales artificiales), considerando criterios de calidad. Conocer los conceptos de machine learning, su importancia y sus aplicaciones en la industria y servicios. Conocer los conceptos de heurísticas y meta-heurísticas, su importancia y sus aplicaciones en la industria y servicios.

PROGRAMA ANALÍTICO POR SEMANAS

Semanas Temas Trabajos 1 Clasificación de problemas algorítmicos [Ingles]  [Español]  [Frances] Presentación del curso. Clasificación de problemas algorítmicos, problemas P y NP. Problemas de decisión, localización y optimización. Descripción de algunos problemas NP-difícil. 2 Fundamentos de la inteligencia artificial [Ingles] [Español] [Frances] Definición de la Inteligencia Artificial. Máquina inteligente. Diferencia entre sistemas operacionales y sistemas inteligentes. Aplicaciones en la industria y servicios (robótica, planificación, gestión de desperdicios). Test de Turing.   1er Manual de Lisp 3 Representación de problemas de juego humano – máquina como búsqueda en un espacio de estado [Ingles] [Español] [Frances] Definición de problemas de la IA como problemas de búsqueda en un espacio de estado. Representación de problemas de juegos humano – máquina.  Ejercicio ZGM   4-5  Métodos de búsqueda ciegos e informados  [Ingles] [Español] [Frances] La función evaluadora, métodos de búsqueda ciega ó no informados: amplitud, profundidad y no determinístico, métodos que usan información adicional: primero el mejor, ascenso a la colina, A*, ramificación y acotación.    2do Manual de Lisp 6 Métodos de búsqueda para juegos humano-máquina  [Ingles] [Español] [Frances]  Algoritmo de juego humano – máquina. Estrategias de juego de máquina: no determinístico, primero el mejor, min-max y mejor diferencia de utilidades. Algoritmo min-max y alfa-beta. Busqueda por Profundidad  Ejercicios de Recursividad 7 Fundamentos de sistemas expertos  [Ingles] [Español] [Frances] Definición de Sistemas Expertos. Arquitectura de un sistema experto. Taxonomía y aplicaciones de los sistemas expertos. Requisitos para el desarrollo de sistemas expertos y ventajas del uso de sistemas expertos. Algunos problemas basados en el conocimiento. Ejercicios de Estrategias de Traslado 8 Examen parcial    Parcial 2011-I Parcial 2012-I 9 Presentación de trabajos computacionales Los alumnos mostrarán sus habilidades en cuanto al desarrollo de software de juegos inteligentes basados en técnicas de búsqueda. Se deberá presentar un informe y un software, y deberán exponer sus trabajos. Michi 10 Ingeniería de conocimiento [Ingles] [Español] [Frances] Introducción. Adquisición de conocimiento. La metodología CommonKADS. Diseño de Sistemas Expertos (SE). Ciclo de vida de un SE. Arbol Genealogico 11 Adquisición de Conocimiento   [Ingles] [Español] [Frances]  Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento. Estructuras de representación de conocimientos (reglas de inferencias, frames, objects, ontologías, metadatos, thesaurus). 12 Desarrollo de sistemas expertos basados en reglas   [Ingles] [Español] [Frances] Construcción de la base de hechos y base de conocimiento. El motor de inferencia. Los métodos de encadenamiento regresivo, progresivo y reversibilidad. Técnicas de equiparación, el algoritmo RETE. Técnicas de resolución de conflictos. 13 Calidad y validación de sistemas expertos   [Ingles] [Español] [Frances] Principales errores en el desarrollo de un sistema experto. Calidad de un sistema experto. Validación de sistemas inteligentes, métodos cuantitativos de validación. Eficiencia y error de sistemas expertos. Revisión de la funcionalidad del SE del 2do trabajo. Tareas: ejercicios sobre calidad y validación de SE, validar el sistema propuesto del 2do trabajo.   SE de Enfermedades y Potajes 14 Introducción a Machine Learning (aprendizaje automatico) y heuristicas.  [Ingles] [Español] [Frances] Conceptos de aprendizaje y de machine learning. Sistemas experto vs machine learning. Técnicas de aprendizaje y fases de desarrollo de machine learning. Aplicaciones de machine learning en la industria y servicios. Conceptos de heurísticas y meta-heurísticas. Algoritmos exactos vs algoritmos heurísticos. Técnicas heurísticas y meta-heurísticas. Problemas de optimización combinatoria en la industria y servicios 15 Presentación de trabajos computacionales Los alumnos mostrarán sus habilidades en cuanto al desarrollo de sistemas expertos y sus aplicaciones en los sectores de la industria y servicio. Los alumnos presentarán un informe y un software. 16 Examen final  Final 2009-I Final 2011-I 17 Examen Sustitutorio (solo para aquellos que no dieron examen parcial o final)  Examen Final 2012-I

LABORATORIO Durante las sesiones de laboratorio se desarrollarán la programación básica en un lenguaje de inteligencia artificial sea LIPS (o una variante de ella) o CLIPS y esta se orientará al desarrollo de sistemas expertos basados en reglas. También en las sesiones de laboratorio se podrá evaluar el avance de los trabajos.

METODOLOGÍA El curso se desarrolla a través de actividades teórico – prácticas, dando énfasis a aplicaciones en la industria y servicios. Los estudiantes, organizados en equipos de 3 desarrollarán dos trabajos computacionales. Durante las sesiones de teoría se discutirán la resolución de problemas propuestos. Durante las sesiones de laboratorio se evaluará  el avance de los trabajos computacionales y el proceso de aprendizaje de un lenguaje de inteligencia artificial.

EVALUACIÓN El Promedio Final (PF) se determina de la forma siguiente: PF = 0.025(CL1 + CL2 + CL3 + CL4) + 0.075(TB1 + TB2) + 0.15*LA + 0,30*(EA +EB) Donde: CLx: Controles de Lecturas (CL1, CL2, CL3 y CL4) TB1: Trabajo Grupal (Juegos Inteligentes Hombre – Máquina) TB2: Trabajo Grupal (Sistemas Expertos) EA: Examen Parcial EB: Examen Final LA: Laboratorio El alumno podrá sustituir la nota del examen parcial o final siempre que no haya podido dar alguno de estos exámenes. Solo serán evaluados los alumno que presenten 70% o más de asistencia.

BIBLIOGRAFÍA  [1] STUART, RUSSELL; PETER, NORVIG 1996 Inteligencia artificial, un enfoque moderno. Ed. Prentice Hall. ISBN 0-13-103805-2 [2] PATRICK, WINSTON 1984 Inteligencia artificial. Ed. Addison-Wesley ISBN 0-201-51876-7 [3] ELAINE, RICH 1988 Inteligencia artificial. Ed McGraw-Hill ISBN 0-07-450364-2 [4] DAVID, MAURICIO 2009 Apuntes de inteligencia artificial. [5] BONIFACIO, MARTIN; ALFREDO, SANZ 2002 Redes neuronales y sistemas difusos. Ed. Alfaomega ISBN 84-7897-466-0 [6] JOSEPH GIARRATANO – GARY RILEY 2001 Sistemas expertos, principios y programación. Ed. Ciencias Thomson ISBN 970-686-059-2 5/5 [7] JOSÉ PALMA M., ROQUE MARIN M. 2008 Inteligencia artificial, técnicas métodos y aplicaciones. Ed. Mc Graw Hill ISBN 978-84-484-5618-3 [8] JOSE R. HILERA, VICTOR J. MARTINE. 2000 Redes neuronales artificiales, fundamentos, modelos y aplicaciones. Ed. Alfaomega – rama ISBN 978-84-484-5618-3 [9] NILS J. NILSON 2001 Inteligencia artificial, una nueva síntesis. Ed. Mc Graw Hill ISBN 978-84-484-5618-3 [10] CAMPELO Ruy; MACULAN Nelson. 1994, Algoritmos e Heurísticas. Ed. Universidad Federal Fluminense. GLOVER Fred; KOCHENBERGER Gary A. [11] 2003 HandBook of Metaheuristic. Kluwer International Series. Las lecturas obligatorias serán proporcionadas por el profesor del curso.