Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Planificacin y Currculo
1. DATOS INFORMATIVOS
ESCUELA: Sistemas CARRERA: Ingeniera de Sistemas Asignatura/Mdulo: Inteligencia Artificial Dos Plan de estudios: Malla en vigencia Prerrequisitos: INTELIGENCIA ARTIFICIAL UNO Correquisitos: SIMULACIN Perodo acadmico: 2013-01 DOCENTE. Nombre: Milton Temistocles Andrade Salazar
N Crditos: 4
Breve resea de la actividad acadmica y/o profesional: Docente de Grado y Postgrado en la PUCE SD. Investigador Lder en el proyecto RVEA por parte de la PUCE SD con CEDIA. Indicacin de horario de atencin al estudiante: Telfono:
2. DESCRIPCIN DEL CURSO En esta materia se intenta involucrar al estudiante en el diseo e implementacin de sistemas de computacin con caractersticas humanas. Para lo cual trataremos los temas como: Redes Neuronales Artificiales, Algoritmos genticos y Computacin Evolutiva. 3. OBJETIVO GENERAL Producir aplicaciones computacionales con caractersticas humanas, haciendo uso de los diferentes modelos de redes neuronales artificiales y de las tcnicas de algoritmos genticos, orientadas a las buenas prcticas del estudiante.
4. RESULTADOS DE APRENDIZAJE
Nivel de desarrollo de Al finalizar el curso, el/a estudiante estar en los resultados de capacidad de aprendizaje Inicial / Medio / Alto
Discernir las diferencias y relaciones existentes entre el modelo de una neurona biolgica y el modelo de una neurona artificial. I
Identificar los componentes estructurales de una red neuronal artificial. Comprender el funcionamiento de los diferentes modelos de redes neuronales artificiales. Identificar las reas de aplicacin de los diferentes modelos de redes neuronales artificiales. Construir aplicaciones con redes neuronales artificiales, encaminadas a resolver problemas de operaciones lgicas bsicas. Identificar la relacin existente entre algoritmos genticos y la computacin evolutiva.
I I I
TRABAJO AUTNOMO DEL/A ESTUDIANTE N de horas ESTRATEGIAS DE ENSEANZA APRENDIZAJE RESULTADOS DE APRENDIZAJE
EVIDENCIAS
Prcticas
Tericas
Actividades
Descripcin
1. DATOS GENERALES 1.1. Programa, evaluacin, indicaciones generales, Inteligencia Artificial e Inteligencia. 1.2. El cerebro tradico y las inteligencias mltiples.
1a
*Construir un Mapa Conceptual de los trminos: Inteligencia e Inteligencia artificial. *Redactar un artculo en el que se refleje las relaciones entre el cerebro tradico y las inteligencias mltiples. (No ms de una pgina)
*Comprender la importancia de los trminos Inteligencia e Inteligencia artificial. *Asociar las habilidades de las personas, con el cerebro tradico y con las inteligencias mltiples.
*Presentacin de artculo
0,5
Valoracin
Tutora
2. COMPUTACIN NEURONAL 2.1. Breve historia de las redes neuronales artificiales. 2.2. Fundamentos de las RNA. 2.3. Estructura de una neurona, elementos de una RNA.
* Construir un cuadro sinptico de las caractersticas de las RNA. 1 2a 4 *Preparar una presentacin sobre las topologas y mecanismos de 2 aprendizajes de una RNA.
*Determinar las diferencias entre los componentes bsicos de una RNA. * Determinar las diferencias y similitudes entre el modelo biolgico y el modelo artificial de una neurona.
0,3
2.4. Caractersticas de las RNA: topologa, mecanismos de 3a aprendizaje, asociacin E/S, representacin E/S. 2.5. Ejercicios aplicativos. 3. REDES NEURONALES: MODELOS 3.1. Perceptron Simple. 3.2. Neurona de McCulloch &Pitts, conexin con la geometra. 3.3. Poder del clculo de las neuronas umbrales: Funciones umbrales, aprendiendo funciones
* Investigar, plantear y resolver ejercicios sobre funciones umbrales y funciones bsicas que 2 resuelve el perceptrn simple. 4a 4
Al terminar esta Unidad los estudiantes estarn en la capacidad de: *Establecer las diferencias entre los diferentes modelos de RNA. * Reconocer y aplicar las diferentes funciones de activacin en las
*Entrega de documento 0,3 sobre lecturas realizadas y socializadas en clases. *Entrega de documento con 0,7 resolucin de problemas planteados y desarrollados.
RNA simples o monocapas. *Aplicar de forma EVALUACIN DE adecuada los diferentes CONOCIMIENTOS mtodos para correccin de errores en las RNA monocapas.
3.5. Algoritmo del perceptron para aprender funciones umbrales desde ejemplos. 3.6. Introduccin a redes neuronales como aproximadotas de 5a funciones, aproximacin de la funcin desde ejemplos. 3.7. Criterio de error desde los mnimos cuadrados. 3.8. Minimizacin de errores y derivacin de la regla delta.
4. REDES NEURONALES:
0,5
*Construir un cuadro sinptico con las diferencias y similitudes entre una RNA Monocapa y Multicapa. 6a 2 2 *Construir un cuadro sinptico con los diferentes tipos de aprendizajes de una RNA.
Al terminar esta Unidad los estudiantes estarn en la capacidad de: *Establecer las diferencias entre las aplicaciones de las RNA multicapas y las monocapas. *Relacionar el proceso de aprendizaje de las
RNA con el proceso de aprendizaje de una persona. *Reconocer cuando una RNA ha aprendido o no ha aprendido.
4.3. Redes neuronales como aproximadotas de funciones. 4.4. Teorema de aproximacin de las funciones universales.
7a
*Realizar el programa de una RNA aplicando el aprendizaje supervisado y no supervisado, para este cometido utilice cualquier compilador.
5. REDES NEURONALES: SEUNDA PARTE. 5.1. Redes de Funcin de Base Radial, Problemas de prediccin.
*Construir un cuadro sinttico con las caractersticas principales de las RFBR 1 8a 4 *Realizar un cuadro de diferencias y similitudes entre el PCM, RFBR y Mapas auto organizativos. *Construir un cuadro sinttico con las caractersticas principales de los Mapas autoorganizativos.
Al terminar esta Unidad los estudiantes estarn en la capacidad de: *Establecer las diferencias entre las RNA de capas mltiples. *Determinar qu tipo de problemas se pueden resolver con cada una de las RNA multicapas.
5,5
5.2. Redes o Mapas Autoorganizativos. 9a 5.3. Dinmica competitiva, Aprendizaje competitivo 6. REDES BAYESIANAS 6.1. Conceptos, caractersticas y
0,5
10a
*Realizar un cuadro sinttico con la caractersticas principales y las aplicaciones de las redes 3 bayesianas. Proponer dos
*Presentacin de temtica *Reconocer los campos en organizadores grficos. de aplicacin de este tipo de RNA. *Documento con
0,5
0,5
aplicabilidad
problmicas
aplicaciones realizadas.
6.2. Diferente tipo de aplicaciones en distintas reas. 7. COMPUTACIN EVOLUTIVA-PRIMERA PARTE 7.1. Introduccin a la computacin evolutiva, 7.2. Algoritmos evolutivos y bases biolgicas. 7.3. Cmo trabaja la evolucin. 7.4. Esquema de un algoritmo evolutivo. 8. COMPUTACIN EVOLUTIVA-SEGUNDA PARTE 8.1. Caractersticas de los algoritmos genticos. 8.2. Paradigmas de la computacin evolutiva. 8.3. Algoritmos Genticos, estrategias evolutivas, programacin evolutiva.
11a
0,5
12a
* Realizar una lectura comprensiva de los temas relacionados con algoritmos evolutivos y bases biolgicas
Al terminar esta Unidad los estudiantes estarn en la capacidad de: Entender la relevancia que tiene la computacin evolutiva en nuestras vidas.
0,5
13a
Conjugar Teora vs. Practica por medio de un algoritmo Al terminar esta Unidad los estudiantes estarn en la capacidad de: *Comprender en qu consiste un algoritmo gentico. *Qu uso se le est dando hoy en da a este tipo de algoritmos. *Cuanto ha influenciado en el
14a
* Realizar ejercicios de Representacin de AG; y de Cruce y Mutacin. 1 *Investigar, exponer y defender una aplicacin de algoritmos genticos, que haya tenido gran impacto en cualquier rea del saber.
0,5
8.4. Programacin gentica, algoritmos evolutivos. 8.5. Mtodos tradicionales de bsqueda. 8.6. Componentes comunes en los algoritmos genticos: Dinmica poblacional, diseando los operadores de variacin aleatoria. Revisin General de la materia
*Entender varios procesos que se dan a diario, y que simplemente desconocemos, como por ejemplo el cruce entre diferentes especies. * Dominar los temas relacionados a la materia de inteligencia artificial 2
0,5
16a
b. RECURSOS Se utilizar como recurso bibliogrfico importante para el desarrollo de esta materia el libro base de inteligencia artificial; adems se cuenta con un folleto gua diseado y estructurado por el docente de esta materia; tambin se har uso de algunos links de internet en los cuales hay informacin importante sobre inteligencia artificial. Adems se har uso de computador y proyector para proyectar diapositivas. En los recursos convencionales se utilizar la pizarra, tiza lquida y borrador.
7. EVALUACIN
CRONOGRAMA
CALIFICACIN 15 15 20 50
EVIDENCIA
CRITERIOS DE EVALUACIN
Puntualidad en entrega. Originalidad. Argumentacin de contenidos. Ortografa Esttica
Artificial e Inteligencia. 1.2. El cerebro tradico y las inteligencias mltiples. 2. COMPUTACIN NEURONAL 2.1. Breve historia de las redes neuronales artificiales. 2.2. Fundamentos de las RNA. 2.3. Estructura de una neurona, elementos de una RNA. 2.4. Caractersticas de las RNA: topologa, mecanismos de aprendizaje, asociacin E/S, representacin E/S. 2.5. Ejercicios aplicativos 3. REDES NEURONALES: MODELOS 3.1. Perceptron Simple. 3.2. Neurona de McCulloch &Pitts, conexin con la geometra. 3.3. Poder del clculo de las neuronas umbrales: Funciones umbrales, aprendiendo funciones umbrales desde ejemplos. 3.4. Neuronas umbrales como un clasificador de patrones. 3.5. Algoritmo del perceptron para
*Determinar las diferencias entre los componentes bsicos de una RNA. * Determinar las diferencias y similitudes entre el modelo biolgico y el modelo artificial de una neurona * Discernir las diferencias entre las diversas topologas de las RNA
*Presentacin en forma escrita de apropiacin de conceptos. *Entrega de documento con temas de presentacin y defensa. *Entrega de documento con ejercicios planteados y resueltos.
Puntualidad en entrega. Originalidad. Argumentacin de contenidos. Ortografa Dominio de contenido Cumple con los compromisos adquiridos
*Establecer las diferencias entre los diferentes modelos de RNA. * Reconocer y aplicar las diferentes funciones de activacin en las RNA simples o monocapas. *Aplicar de forma adecuada los diferentes mtodos para correccin de errores en las RNA monocapas.
*Entrega de documento sobre lecturas realizadas y socializadas en clases. *Entrega de documento con resolucin de problemas planteados y desarrollados. *Evaluacin de conocimientos adquiridos de las tres unidades vistas.
Puntualidad en entrega. Originalidad. Argumentacin de contenidos. Ortografa Dominio de contenido Cumple con los compromisos adquiridos Procura la atencin de sus compaeros
aprender funciones umbrales desde ejemplos. 3.6. Introduccin a redes neuronales como aproximadotas de funciones, aproximacin de la funcin desde ejemplos. 3.7. Criterio de error desde los mnimos cuadrados. 3.8. Minimizacin de errores y derivacin de la regla delta. 4. REDES NEURONALES: PRIMERA PARTE 4.1. Perceptron Multicapa (PMC). 4.2. Aprenmdizaje supervisado. 4.3. Redes neuronales como aproximadotas de funciones. 4.4. Teorema de aproximacin de las funciones universales. 4.5. Evaluacin de conocimientos adquiridos. 5. REDES NEURONALES: SEUNDA PARTE. 5.1. Redes de Funcin de Base Radial, Problemas de prediccin. 5.2. Redes o Mapas Auto-organizativo. 5.3. Dinmica competitiva, Aprendizaje
*Establecer las diferencias entre las aplicaciones de las RNA multicapas y las monocapas. *Relacionar el proceso de aprendizaje de las RNA con el proceso de aprendizaje de una persona. *Reconocer cuando una RNA ha aprendido o no ha aprendido.
*Presentacin de temtica en organizadores grficos. *Generar un CD con los programas fuentes y ejecutable. *Prueba de conocimiento de temas analizados.
Puntualidad en entrega. Originalidad. Ortografa Dominio de contenido Cumple con los compromisos adquiridos
*Establecer las diferencias entre las RNA de capas mltiples. *Determinar qu tipo de problemas se pueden resolver con cada una de las RNA multicapas.
competitivo.
*Reconocer los
6. REDES BAYESIANAS campos de aplicacin de este tipo de RNA. 6.1. Conceptos, caractersticas y aplicabilidad.
*Entrega de documento sobre lecturas realizadas y socializadas en clases. *Entrega de un CD con el programa fuente y ejecutable de la RNA programada.
8. COMPUTACIN EVOLUTIVAPRIMERA PARTE 8.1. Introduccin a la computacin evolutiva, 8.2. Algoritmos evolutivos y bases biolgicas. 8.3. Cmo trabaja la evolucin. 8.4. Esquema de un algoritmo 9. COMPUTACIN EVOLUTIVASEGUNDA PARTE 9.1. Caractersticas de los algoritmos genticos. 9.2. Paradigmas de la computacin evolutiva. 9.3. Algoritmos Genticos, estrategias evolutivas, programacin evolutiva.
Puntualidad en entrega. Originalidad. Ortografa Dominio de contenido Cumple con los compromisos adquiridos. Puntualidad en entrega. Originalidad. Ortografa Dominio de contenido Cumple con los compromisos adquiridos Procura la atencin de sus compaeros. Puntualidad en entrega. Originalidad. Ortografa Dominio de contenido Procura la atencin de sus compaeros Uso de tiempo Tono de voz Argumentacin Vocabulario adecuado. Puntualidad en entrega. Originalidad. Ortografa Esttica Dominio de contenido Procura la atencin de sus compaeros.
*Comprender en qu consiste un algoritmo gentico. *Qu uso se le est dando hoy en da a este tipo de algoritmos. *Cuanto ha influenciado en el desarrollo de la ciencia, en la medicina, en la gentica y en varias reas ms. *Entender varios procesos que se dan a diario, y que simplemente
*Presentacin de temtica en organizadores grficos. *Presentacin de documentos sobre tema investigado y socializado en el aula. *Prueba de conocimiento de temas analizados.
9.4. Programacin gentica, algoritmos evolutivos. 9.5. Mtodos tradicionales de bsqueda. 9.6. Componentes comunes en los algoritmos genticos: Dinmica poblacional, diseando los operadores de variacin aleatoria.
9. BIBLIOGRAFA a. BSICA
Disponible en Biblioteca a la fecha? NO No. Ejemplares (si est disponible) NINGUNO
Bibliografa (basarse en normas APA) Flores Raquel y Fernndez Jos, 2008, Las redes neuronales artificiales, La Corua, Netbiblo.
b.
COMPLEMENTARIA
Disponible en Biblioteca a la fecha? NO No. Ejemplares (si est disponible) NINGUNO
Bibliografa (basarse en normas APA) Flores Raquel y Fernndez Jos, 2008, Las redes neuronales artificiales, La Corua, Netbiblo.
c.
RECOMENDADA
Bibliografa (basarse en normas APA) Flores Raquel y Fernndez Jos, 2008, Las redes neuronales artificiales, La Corua, Netbiblo.
d.
http://geneura.ugr.es/~jmerelo/ie/ags.htm
http://www.monografias.com
http://inteligenciaartificialudb.blogspot.com/2008/01/concepto-caractersticas-ymetodologas.html http://www.imdb.es/title/tt0212720/ http://www.lagranepoca.com/26355-inteligencia-artificial-se-transforma-potencial-cajapandora-para-humanidad http://www.eldiario.com.co/seccion/CLICK/qu-vamos-hacer-cuando-los-robotssuperen-nuestra-inteligencia-121205.html http://ciberconta.unizar.es/leccion/redes/ http://www.slideshare.net/armandorob/inteligencia-artificial-redes-neuronales http://eddyalfaro.galeon.com/geneticos.html http://www.eumed.net/cursecon/ecolat/ec/2011/dmu.htm
Revisado:
Fecha: ____________
Aprobado: _______________________ f) Director de Escuela Fecha: ____________ _______________________ Por el Consejo de Escuela
Fecha: ____________