FACULTAD DE INGENIERÍA

DEPARTAMENTO DE TECNOLOGÍAS DE INFORMACIÓN Y

COMUNICACIONES

Código-Materia: 09481- Inteligencia Artificial

Requisitos: SIS: 08276 – Matemática Discreta
Período académico: 201920
Intensidad semanal: 3 horas/semana y 2 horas/semana Laboratorio
Créditos: 3
Profesores: Luis Eduardo Múnera y Christian Urcuqui

Programa: Ingeniería de Sistemas

Resultados de Aprendizaje
relacionados con el • A: Aplicación de las Ciencias y las Matemáticas (A)
Programa

Resultados
Fuente de Valoración NO de Aprendizaje

Descripción

Este curso teórico-práctico en el que se incluye un laboratorio de I.A. (Inteligencia Artificial), aborda
las estrategias propias de la I.A. asociadas a juegos y rompecabezas. También se presentan las
distintas formas de representación del conocimiento que sirven de soporte a los Sistemas expertos.
Además, se desarrollan técnicas de computación Bio-mimética como Algoritmos genéticos y Redes
Neuronales. Finalmente se aborda el Razonamiento aproximado con especial hincapié en la Lógica
Difusa y sus aplicaciones.

Objetivos

General:

Mediante las técnicas propias de la I.A. (Inteligencia Artificial) y los principios básicos de la
representación del conocimiento, el estudiante será capaz de analizar algunos tipos de problemas
que competen a la I.A., proponer estrategias apropiadas para su solución y construir prototipos o
programas que los resuelvan.

Terminales:

OT1: Modelar Juegos y Rompecabezas mediante las técnicas propias de la I.A.

OT2: Expresar mediante lenguajes formales el conocimiento humano.

OT3: Representar incertidumbre para realizar razonamiento aproximado.

OT4: Resolver problemas mediante algoritmos genéticos y redes neuronales.

Inteligencia Artificial Página 1 de 4

 Específicos

De formación académica:

Al finalizar cada unidad, el estudiante estará en capacidad de:

Unidad 1: Introducción a la Inteligencia Artificial y los Sistemas Expertos:

 Identificar los tipos de problemas que ameritan la utilización de Sistemas Expertos.

 Distinguir los componentes de un Sistema Experto.
 Identificar los Dominios de Aplicación de la Inteligencia Artificial.

Unidad 2: Problemas y Solución de Problemas en Inteligencia Artificial:

 Formalizar Problemas de acuerdo a las estructuras propias de la Inteligencia Artificial. 

 Identificar las estrategias de solución de problemas más utilizadas en Inteligencia Artificial.
 Aplicar las estrategias de solución de problemas más utilizadas en Inteligencia Artificial.

Unidad 3: Representación de Conocimiento basada en Reglas de Producción:

 Expresar formalmente el conocimiento mediante reglas de producción.

 Identificar la estructura y funcionalidad de un Motor de Inferencia de Reglas de Producción.
 Demostrar el ciclo de trabajo de un motor de reglas de producción.

Unidad 4: Representación de conocimiento basada en Lógica Clausal:

 Expresar formalmente el conocimiento en Cálculo de Predicados de Primer Orden.

 Re-enunciar representaciones de Lógica Estándar en Lógica Clausal.
 Demostrar un Solucionador de Problemas basado en el principio de Resolución de Robinson.

Unidad 5: Representación de conocimiento basada en Redes Semánticas:

 Identificar diversas técnicas de representación semántica del conocimiento.

 Aplicar las diversas técnicas de representación semántica del conocimiento.
 Ilustrar las fortalezas y debilidades de las representaciones semánticas y las
representaciones basadas en Reglas y Lógica Clausal.

Unidad 6: Computación Bio-mimética:

 Identificar las características de la Genética natural.

 Aplicar Algoritmos Genéticos en Problemas de Optimización y Búsqueda.
 Identificar las características de un Perceptrón Multicapa.
 Aplicar el Algoritmo de Backpropagation.

Unidad 7: Razonamiento Aproximado:

 Identificar técnicas cualitativas y cuantitativas de manejo de incertidumbre en la

representación de conocimiento.
 Aplicar Factores de certeza en Sistemas de Razonamiento aproximado. 

Inteligencia Artificial Página 2 de 4

  Aplicar Lógica difusa en Sistemas de Razonamiento aproximado.

De formación en valores y competencias:

 Al terminar el curso cada estudiante habrá tenido la oportunidad de reflexionar sobre los
siguientes valores, así como de desarrollar estas capacidades:
 La curiosidad intelectual, a través de la contextualización de la Inteligencia Artificial en el marco
de una Antropología Histórica que conecta la Inteligencia Artificial con muchas
manifestaciones culturales.
 La responsabilidad, mediante el cumplimiento en las fechas, de las metas de trabajo del
proyecto de la materia.
 La perseverancia, mediante la constante y diligente labor de resolver ejercicios y problemas
propuestos.
 La capacidad intelectual, a través de la puesta en práctica de las habilidades de Análisis,
Conceptualización y Solución de problemas, indispensables para la formalización,
representación y solución de problemas en Inteligencia Artificial y Sistemas Expertos.
 La capacidad de trabajo efectivo con otros, a través del trabajo en equipo y las relaciones
interpersonales necesarias para culminar con éxito el proyecto final de la materia.
 La capacidad de comunicación, dado que se deben presentar las soluciones a los problemas
propuestos de una manera clara y efectiva para los demás participantes del curso.

Metodología

El curso se desarrollará utilizando el aprendizaje activo, lo que conlleva a que en cada clase se realicen
las discusiones de los temas con la orientación del profesor y la activa participación de los estudiantes.
Durante el semestre se desarrollará un proyecto final en alguna de las siguientes categorías:

 Sistemas expertos o Sistemas basados en el conocimiento.

 Juegos o Rompecabezas.
 Sistemas basados en Lógica Difusa.
 Algoritmos Genéticos o Redes Neuronales.

Actividades del estudiante

Antes de la clase:

 Estudiar el material asignado por el profesor.

 Contestar las preguntas que contiene el material, así como las preguntas adicionales que
el profesor entregue.
 Resolver los ejercicios propuestos en el material, así como los ejercicios adicionales que se
le entreguen.

Durante la clase:

 Formular preguntas relacionadas con dudas que le quedaron después de estudiar el tema.
 Formular preguntas que le surjan en el proceso de discusión en clase.
 Participar activamente en las discusiones en clase tendientes a la consolidación de
conceptos y socialización del conocimiento.
 Participar activamente en los talleres propuestos por el profesor.

Inteligencia Artificial Página 3 de 4

 Después de la clase:

 Realizar una síntesis entre lo tratado en clase y el conocimiento previamente adquirido.

 Resolver los ejercicios que el profesor proponga que sean desarrollados después de la clase.

Evaluación

La evaluación está conformada por una nota individual y la nota del proyecto final. Sin embargo,
la nota del proyecto final sólo se tendrá en cuenta cuando la nota individual sea mayor o igual a
3.0. La mejor manera de estar preparado para cada examen parcial es alcanzando los objetivos
específicos de cada unidad.

Nota individual:

Nota individual = (Examen Parcial 1 + Examen Parcial 2 + Examen Parcial 3) / 3

Nota definitiva:

Si (nota individual < 3.0) entonces:

Nota definitiva = nota
individual Si (nota individual >= 3.0)
entonces:

Evaluación Parcial 1 25% Semana 7: Unidades 1, 2 y 3

Evaluación Parcial 2 25% Semana 14: Unidades 4, 6 y 7
Evaluación Parcial 3 25% Semana 17: Unidades 5 y 6
Laboratorio 25%
Nota definitiva 100%

Bibliografía

 Libro guía: Luis Eduardo Múnera. “Principios de Inteligencia Artificial y Sistemas Expertos”.
Serie Textos Universitarios de la Icesi, No. 37, 2001.
 Edgar Robayo. “Control difuso: Fundamentos y aplicaciones”. Ediciones Uninorte, 2007.
 Alfonso Bustamante. “Lógica y Argumentación: De los argumentos inductivos a las álgebras de
Boole”. Editorial Pearson Educación, 2009.
 Frank Van Harmelen y otros. “Handbook of Knowledge Representation”. Elsevier, 2008.
 Giarratano J., Riley G. “Sistemas Expertos (Principios y Programación)”. Thomson Editores, 2001.
 Stefan EdelKamp y Stefan Schrodl. “Heuristic search: theory and applications”.
Elsevier, 2012.
 David Goldberg. “Genetic Algorithms in Search, Optimization, and Machine Learning”,
Ed. Addison-Wesley, 1989.

Inteligencia Artificial Página 4 de 4