UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)

FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA

Escuela Acadmico Profesional de Ingeniera de Sistemas SILABO 1. ESPECIFICACIONES GENERALES

Nombre del Curso Cdigo del Curso Duracin del Curso Forma de Dictado Horas semanales : Teora Naturaleza Nmero de crditos Prerrequisitos Semestre acadmico Coordinador Profesores : INTELIGENCIA ARTIFICIAL : 207008 : 17 semanas : Tcnico - experimental : 3h Laboratorio: 2h : Formacin profesional : Cuatro (04) : 205007 Investigacin Operativa I : 2012 I : Virginia Vera Pomalaza : Ana Mara Huayna, Hugo Vega, Mauricio Snchez, Virginia Vera.

2. SUMILLA
La Inteligencia Artificial, conceptos, paradigmas y aplicaciones en la industria y servicios. Representacin del conocimiento. Representacin de problemas de IA como bsqueda en el espacio de estado. Mtodos de bsqueda ciegos e informados. Juegos inteligentes hombre-mquina. Sistemas expertos, arquitectura, taxonoma y aplicaciones. Motor de Inferencia. Ingeniera de conocimiento, conceptos, evolucin, Metodologa CommonKADS. Calidad y Validacin de Sistemas Expertos, Introduccin a Machine Learning (Aprendizaje Automtico) y heursticas.

3. OBJETIVO GENERAL
Los estudiantes adquirirn conocimientos del rea de Inteligencia Artificial en general y desarrollarn aspectos bsicos en el desarrollo de juegos inteligentes y de sistemas expertos, y su aplicacin en la resolucin de problemas inteligentes en los sectores de la industria y de servicios.

4. OBJETIVOS ESPECFICOS
Al terminar el curso el alumno ser capaz de: 1. Comprender que es la Inteligencia 2. 3. 4. 5. 6. 7. 8. 9.

Artificial y la complejidad de sus

problemas. Representar y resolver problemas de juego humano - mquina a travs de tcnicas de bsqueda en un espacio de estado. Conocer las diferentes estrategias de bsqueda a ciegas e informados. Disear y desarrollar software de juegos inteligentes con interaccin hombre-mquina y que usen tcnicas de inteligencia artificial. Comprender qu son los sistemas expertos y saber cundo usarlos. Conocer que es la Ingeniera de Conocimiento y un mtodo para el desarrollo de sistemas basados en el conocimiento Evaluar la calidad de la solucin de sistemas expertos. Disear y desarrollar sistemas expertos basados en diversos motores de inferencias (mtodos de encadenamiento), considerando criterios de calidad. Conocer los conceptos de machine learning y de heursticas, su importancia y sus aplicaciones en la industria y servicios.

5. CONTENIDO ANALTICO POR SEMANAS: (19 de abril 2010)

1 Semana: Clasificacin de problemas algortmicos Presentacin del curso. Clasificacin de problemas algortmicos, problemas P y NP. Problemas de decisin, localizacin y optimizacin. Descripcin de algunos problemas NP-difcil. Referencias: [4] Captulo 1, [1] Anexo A. 2 Semana: Fundamentos de la inteligencia artificial Definicin de la Inteligencia Artificial. Mquina inteligente. Diferencia entre sistemas operacionales y sistemas inteligentes. Aplicaciones en la industria y servicios (robtica, planificacin, gestin de desperdicios). Test de Turing. Referencias: [1] Captulo 1, [2] Captulo 1, [9] Captulo 1. 3 Semana: Representacin de problemas de juego humano mquina como bsqueda en un espacio de estado Definicin de problemas de la IA como problemas de bsqueda en un espacio de estado. Representacin de problemas de juegos humano mquina. Referencias: [1] Captulo 3, [3] Captulo 2, [4] Captulo 3. 1er control de lectura 4 y 5 Semana: Mtodos de bsqueda ciegos e informados La funcin evaluadora, mtodos de bsqueda ciega no informados: amplitud, profundidad y no determinstico, mtodos que usan informacin adicional: primero el mejor, ascenso a la colina, A*, ramificacin y acotacin. Referencias: [1] Captulos 3 y 4, [2] Captulo 5, [3] Captulo 3, [4] Captulos 5, [9] Captulos 9 6 Semana: Mtodos de bsqueda para juegos humano-mquina Algoritmo de juego humano mquina. Estrategias de juego de mquina: no determinstico, primero el mejor, min-max y mejor diferencia de utilidades. Algoritmo min-max y alfa-beta. Referencias: [1] Captulo 6, [2] Captulos 6, [3] Captulos 4, [4] Captulos 6, [9] Captulos 12. 2do control de lectura 7 Semana: Presentacin de trabajos computacionales Los alumnos mostrarn sus habilidades en cuanto al desarrollo de software de juegos inteligentes basados en tcnicas de bsqueda. Se deber presentar un informe y un software, y debern exponer sus trabajos. 8 Semana Examen parcial 9 Semana: Fundamentos de sistemas expertos Definicin de Sistemas Expertos. Arquitectura de un sistema experto. Taxonoma 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. Referencias: [6] Captulo 1

10 Semana: Ingeniera de conocimiento Introduccin. Adquisicin de conocimiento. La metodologa CommonKADS. Diseo de Sistemas Expertos (SE). Ciclo de vida de un SE. Referencias: [6] Captulos 6, [7] Captulos 19. 11 Semana: Adquisicin de Conocimiento Adquisicin de conocimiento. Construccin de la base de hechos y base de conocimiento. Estructuras de representacin de conocimientos (reglas de inferencias, frames, objects, redes semnticas, lgica de predicados). Referencias: [6] Captulos 6, [7] Captulos 19. 3er control de lectura 12 Semana: Desarrollo de sistemas expertos basados en reglas Construccin de la base de hechos y base de conocimiento. El motor de inferencia. Los mtodos de encadenamiento regresivo, progresivo y reversibilidad. Tcnicas de equiparacin, el algoritmo RETE. Tcnicas de resolucin de conflictos. Referencias: [1] Captulos 6 y 8, [2] Captulo 7, [6] Captulo 3, [7] Captulo 3. 13 Semana: Calidad y validacin de sistemas expertos Principales errores en el desarrollo de un sistema experto. Calidad de un sistema experto. Validacin de sistemas inteligentes, mtodos cuantitativos de validacin. Eficiencia y error de sistemas expertos. Revisin de la funcionalidad del SE del 2do trabajo. Tareas: ejercicios sobre calidad y validacin de SE, validar el sistema propuesto del 2do trabajo. Referencias: [4], [7] Captulo 21. 4to control de lectura 14 Semana: Introduccin a Machine Learning (Aprendizaje Automtico) y heursticas. Conceptos de aprendizaje y de machine learning. Sistemas experto vs machine learning. Tcnicas de aprendizaje y fases de desarrollo de machine learning. Aplicaciones de machine learning en la industria y servicios. Conceptos de heursticas y meta-heursticas. Algoritmos exactos vs algoritmos heursticos. Tcnicas heursticas y meta-heursticas. Problemas de optimizacin combinatoria en la industria y servicios Referencias: [5] Captulo 1 y 2, [8] Captulo 1, [10], [11]. 15 Semana: Presentacin de trabajos computacionales Los alumnos mostrarn sus habilidades en cuanto al desarrollo de sistemas expertos y sus aplicaciones en los sectores de la industria y servicio. Los alumnos presentarn un informe y un software. 16 Semana Examen final 17 Semana Examen Sustitutorio (solo para aquellos que no dieron examen parcial o final)

LABORATORIO: Durante las sesiones de laboratorio se desarrollarn la programacin bsica en un lenguaje de inteligencia artificial sea LIPS (o una variante de ella) o CLIPS y esta se orientar al desarrollo de sistemas expertos basados en reglas. Tambin en las sesiones de laboratorio se podr evaluar el avance de los trabajos.
5. METODOLOGA

El curso se desarrolla a travs de actividades terico prcticas, dando nfasis a aplicaciones en la industria y servicios. Los estudiantes, organizados en equipos de 3 desarrollarn dos trabajos computacionales. Durante las sesiones de teora se discutirn la resolucin de problemas propuestos. Durante las sesiones de laboratorio se evaluar el avance de los trabajos computacionales y el proceso de aprendizaje de un lenguaje de inteligencia artificial.
6. EVALUACIN
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 Mquina) TB2: Trabajo Grupal (Sistemas Expertos) EA: Examen Parcial EB: Examen Final LA: Laboratorio

El alumno podr sustituir la nota del examen parcial o final siempre que no haya podido dar alguno de estos exmenes. Solo sern evaluados los alumno que presenten 70% o ms de asistencia. 7. BIBLIOGRAFA

[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 1. 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 programacin. Ed. Ciencias Thomson ISBN 970-686-059-2 [7] JOS PALMA M., ROQUE MARIN M. 2008 Inteligencia artificial, tcnicas mtodos 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 sntesis. Ed. Mc Graw Hill ISBN 978-84-484-5618-3
[10] CAMPELO Ruy; MACULAN Nelson.

1994, Algoritmos e Heursticas. Ed. Universidad Federal Fluminense.

GLOVER Fred; KOCHENBERGER Gary A.

[11] 2003 HandBook of Metaheuristic. Kluwer International Series.