SÍLABO DEL CURSO

FACULTAD DE INGENIERÍA Y ARQUITECTURA SISTEMAS INTELIGENTES

CARRERA DE INGENIERÍA DE SISTEMAS

1. DATOS GENERALES.
1.1. Facultad
1.2. Carrera Profesional
1.3. Departamento
1.4. Tipo de Curso
1.5. Requisito
1.6. Ciclo de estudios
1.7. Duración del curso
Inicio
Término
1.8. Extensión Horaria
1.9. Créditos
1.10. Periodo lectivo
1.11. Docente
: Ingeniería y Arquitectura.
: Ingeniería de Sistemas.
: Ingeniería de Sistemas.
: Obligatorio
: Lenguajes de Programación.
: 9.
: 17 semanas.
: 22 de Agosto de 2011.
: 17 de Diciembre de 2011.
: 4 horas semanales (2 horas de teoría, 2 horas de laboratorio)
: 3.
: 2011-2.
: Ing. Juan Orlando Salazar Campos.
Juan.salazar@upnorte.edu.pe

2. FUNDAMENTACIÓN.
Los Sistemas Inteligentes están relacionados con el diseño y análisis de agentes autónomos,
pudiendo ser sistemas software o máquinas físicas, con sensores y actuadores embebidos, por ejemplo
en un robot o en un vehículo autónomo. Un sistema inteligente percibe su entorno, actúa con
racionalidad en sus tareas asignadas, interactúa con otros agentes y con seres humanos. Muchas de
esas capacidades mencionadas anteriormente son cubiertas por distintos tópicos de estudio que
dependen de un conjunto amplio general y especializado de mecanismos de razonamiento y de
representación de conocimiento, algoritmos de búsqueda, solución de problemas y técnicas de
aprendizaje de máquinas. Los Sistemas Inteligentes proveen un conjunto de herramientas para
solucionar problemas que son demasiado difíciles de solucionar con otros métodos.
El curso tiene una orientación de naturaleza teórico-práctico, su contenido es importante, en la
formación del profesional de Ingeniería de Sistemas, al momento de tratar con problemas cuya solución
con métodos convencionales no es posible. En el presente curso brindaremos una introducción a la
Inteligencia Artificial, estudiando los fundamentos más resaltantes sobre búsquedas y solución de
problemas, nociones primordiales de razonamiento y representación del conocimiento, manipulando
diferentes elementos multimedia para tal fin.

3. COMPETENCIA.
Al finalizar el presente curso, los alumnos presentarán las siguientes competencias:
- Aplicar adecuadamente diversas técnicas de la Inteligencia Artificial para la solución de problemas.
- Implementar diversos algoritmos de Inteligencia Artificial.
- Reconocer la importancia de las diferentes técnicas y métodos de IA en la solución de problemas
reales.

4. OBJETIVOS ESPECÍFICOS DEL CURSO.

4.1. Describir conceptos fundamentales del campo de estudio de la IA, para construir sistemas que se
comporten y piensen como humanos, sistemas que piensen y se comporten racionalmente.
4.2. Comprender cómo los agentes se diferencian de otros tipos de sistemas inteligentes,
caracterizando y contrastando las arquitecturas de agentes estándares, describiendo sus
aplicaciones y dominio.
4.3. Aplicar algoritmos de búsqueda no informada (fuerza bruta) e informada (heurística), para
solucionar un problema, evaluando su desempeño en el uso de los recursos y describiendo las
condiciones en las cuales un algoritmo de búsqueda garantiza una solución óptima.

1
 4.4. Contrastar y criticar los resultados obtenidos por las diferentes técnicas de búsqueda.
4.5. Desarrollar aplicaciones para dar solución a problemas de su entorno haciendo uso adecuado de
los agentes inteligentes.

5. CONTENIDOS CONCEPTUALES.
5.1. Inteligencia e Inteligencia Artificial.
5.2. Agentes Inteligentes.
5.3. Espacio de estados.
5.4. Heurística.
5.5. Búsqueda por amplitud.
5.6. Búsqueda por profundidad.
5.7. Búsqueda A*.
5.8. Búsqueda RBFS.
5.9. Algoritmos Genéticos.
5.10. Búsqueda Online.
5.11. Algoritmo Min Max.
5.12. Redes Neuronales.

6. CONTENIDOS PROCEDIMENTALES.
6.1. Analizan situaciones reales y su posible solución con técnicas de inteligencia artificial.
6.2. Explican cómo la inteligencia humana ha inspirado la creación de métodos basados en esta para
solucionar problemas utilizando la computadora.
6.3. Aplican estrategias de búsqueda para problemas particulares.
6.4. Desarrollan aplicaciones basadas en técnicas de inteligencia artificial para representar
conocimiento y aprender de la experiencia, manipulando diferentes elementos multimedia para tal
fin.

7. CONTENIDOS ACTITUDINALES.
1.1. Actitud analítica.
1.2. Pensamiento computacional.
1.3. Trabajo en equipo.
1.4. Actitud crítica.
1.5. Creatividad.

2. METODOLOGÍA GENERAL DEL CURSO.

2.1. Esquema motivador, con la presentación previa de casos reales y de problemas abiertos en
inteligencia artificial para esto se hace uso de materiales como equipos multimedia.
2.2. Intervenciones en clase, como medio para que el alumno aplique e investigue los conocimientos
recibidos.
2.3. Práctica calificada individual en Laboratorio, como medio para que el alumno aplique los
conocimientos recibidos en clase, como entrenamiento para el examen y como medio para ir
midiendo sus logros académicos de manera continua. En esta práctica, recibirá la atención del
docente, como facilitador y guía de la práctica.
2.4. Se tomarán prácticas calificadas, pruebas individuales en clase, como medio para que el alumno
aplique los conocimientos recibidos en clase, como entrenamiento para el examen y como medio
para ir midiendo sus logros académicos de manera continua.
2.5. Desarrollo y Exposición de Proyecto Final, como medio para que los alumnos aplique los
conocimientos recibidos en clase, así como encontrar la madurez para aplicar estos conocimientos
a un caso real. En este trabajo recibirá la asesoría y guía del docente.

3. PROGRAMACIÓN.
Unidad Sem. Actividad

Unidad 1. Introducción a la Inteligencia Artificial

Introducción, 1 • Qué es IA?: Actuar Humanamente: Prueba de Turing, Pensar
Teoría de humanamente: modelo cognitivo, Pensar Racionalmente: Leyes
Agentes, del pensamiento, Actuar Racionalmente: Agentes racionales

2
solución de • Fundamentos de la Inteligencia Artificial: filosofía, matemática,
Problemas sicología, ingeniería de computadoras, lingüística, ciencia de la
mediante computación, etc.
búsquedas. • Historia de la IA: periodos iníciales hasta eventos recientes
(3 semanas)
Agentes Inteligentes
• Como los agentes deberían actuar: percepciones, acciones,
autonomía
• Estructura de agentes inteligentes: programas agentes, tipos
de agentes.

Solución de problemas mediante búsquedas

• Agentes Solucionadores de Problemas: Pasos generales para
solucionar problemas, Agente-simple solucionador de problemas
• Tipos de Problemas: Determinísticos problemas de estado
simple, No Observables problemas de falta de sensor, No
Determinísticos problemas de contingencia, Espacio de estados
desconocido problemas de exploración
• Formulación de problemas: espacio de estados, estado,
función sucesor, test meta, costo del camino, abstracción
2
• Ejemplo de Problemas: aspiradora, 8 puzzle, 8 reynas,
caníbales y misioneros, Travelling salesman problem, etc.
• Algoritmos de búsqueda en árboles: algoritmo, ejemplo, nodos
vs estados
• Evaluación de algoritmos: Completitud, Complejidad del
Tiempo, Complejidad de Espacio, Optimalidad,
• Revisión de Principales estructuras de datos: Colas de
prioridad, criterios de implementación, usando listas enlazadas,
usando heaps, Tablas hash, árbol binario de búsqueda, criterios
de implementación, funciones hash, solución de colisiones

Estrategias de búsqueda no informada

• Búsqueda primero en amplitud, Búsqueda de costo uniforme,
Búsqueda primero en profundidad, Búsqueda en profundidad
3 limitada, Búsqueda de profundidad iterativa, Búsqueda
Bidireccional,
• Estados repetidos: Búsqueda en grafos, Lista de nodos Visitados,
Tablas Hash de nodos Visitados
• Ejercicios sobre diferentes algoritmos de búsqueda.

Unidad 2. Estrategias de Búsqueda Informada I

Estrategias de • Búsqueda primero el mejor: Búsqueda primero el mejor,
4
Búsqueda y Búsqueda Greedy primero el mejor, Búsqueda A*.
exploración. • Búsqueda Heurística de memoria Limitada: IDA* Búsqueda
(5 semanas) recursiva primero el mejor RBFS, SMA*.

5 T1: EVALUACIÓN PRACTICA.

FUENTES BIBLIOGRÁFICAS:
[1] Capítulos 1 y 2
[4] Capítulos 1, 2 y 3
• Heurísticas : Admisibilidad, Dominación, Relajando problemas,
6 Inventando Heurísticas
• Ejercicios de búsqueda recursiva, primero el mejor RBFS.

Estratégias de Búsqueda Informada II

• Algoritmos de Búsqueda local y Optimización: hill climbing,
7 simulated annealing, local beam, algoritmos genéticos.
• Algoritmos genéticos
• Operadores de cruzamiento, selección y cruce, representación de
cromosomas, espacio de búsqueda como hipercubos.

3
 FUENTES BIBLIOGRÁFICAS:
[1] Capítulos 3,4,5
[4] Capítulos 4, 5 6,7

8 EXAMEN PARCIAL

Unidad 3. •Problemas de satisfacción de restricciones : Definición,

Problemas de Búsqueda Backtraking para PSR, heurística MVR, heurística de
9
satisfacción de Grado, algoritmo Forward checking, Propagación de
restricciones y Restricciones: consistencia de arcos, bactracking inteligente
Juegos. • Búsqueda Local para PSR: heurística de conflictos mínimos.
(4 semanas) 10 • Estructuras de Problemas.
• Ejercicios aplicando las heurísticas MVR.
• Algoritmos para juegos I: Juegos como problemas de
11 búsqueda, tipo de juegos, algoritmo Mínimax, juegos
multijugador, funciones de evaluación.
• Algoritmos para juegos II: Algoritmo minimax con poda alfa
beta.
12
• Ejercicios.
T2: IMPLEMENTACION DE ALGORITMOS.
FUENTES BIBLIOGRÁFICAS:
[1] Capítulos 4,5,6
[3] Capitulo 3
[4] Capítulos 7,8,9
Unidad 4.
Conocimiento y Agentes Lógicos
Razonamiento. • Agentes basados en conocimiento, The Wumpus World, Lógica,
(3 semanas) 13
Lógica proposicional.
Patrones de razonamiento.
• Resolución, forma normal conjuntiva, algoritmo de resolución.

Redes Neuronales Artificiales.

14
• Definición, modelo humano, clasificaciones, resolución de
problemas.

T3: PRESENTACION Y EXPOSICION FINAL DE PROYECTOS DE

15
CURSO.

FUENTES BIBLIOGRÁFICAS:
[2] Capítulos 1,2,4
[3] Capítulos 1,2,3,4,5,6,7

16 EXAMEN FINAL

17 EXAMEN SUSTITUTORIO

4. SISTEMA DE EVALUACIÓN DEL CURSO

El cronograma de la evaluación continua del curso es el siguiente:

ESPECIFICACIÓN DE TRABAJOS DEL CURSO

T Descripción Semana
T1 Evaluación Práctica. 5
T2 Implementación de algoritmos 12
T3 Presentación y Exposición Final de Proyectos del Curso 15

El peso de cada T es:

4
 ESCALA
EVALUACIÓN PESO (%)
VIGESIMAL
T1 20 2,4
T2 35 4,2
T3 45 5,4
TOTAL 100% 12

Los pesos ponderados de las clases de evaluación son los siguientes:

ESCALA
EVALUACIÓN PESO (%)
VIGESIMAL
PARCIAL 20 4
CONTINUA 60 12
FINAL 20 4
TOTAL 100% 20

La Evaluación Sustitutoria evalúa toda la temática desarrollada en el semestre, se rinde la semana

consecutiva al término de los exámenes finales (semana 17) y su nota reemplazará, necesariamente, a
la nota de un Examen (Parcial o Final) o a la nota de un T (Evaluación Continua), de tal manera que el
resultado final sea favorable al alumno.

5. BIBLIOGRAFÍA DE BIBLIOTECA UPN TRUJILLO.

# CÓDIGO AUTOR TITULO
RUSSELL, Stuart. 2003 Artificial Intelligence: A Modern Approach,
1 006.3 RUSE
NORVIG, Peter. 3th edition.

6. BIBLIOGRAFÍA DE BIBLIOTECA DIGITAL.

LIBRERÍA
# AUTOR TITULO ISBN URL
DIGITAL
Robótica e
3 Chong, Marisol. e-libro
inteligencia artificial
4 Duarte Muñoz, Abraham Metaheurísticas. 9788498490169 e-libro

7. BIBLIOGRAFÍA COMPLEMENTARIA.
# AUTOR TITULO
Escolano Ruiz, Francisco.
Cazorla Quevedo, Miguel.
2 Alfonso G., Isabel. Inteligencia Artificial. Modelos, Técnicas y Áreas de Aplicación.
Colomina Pardo, Otto.
Lozano Ortega, Miguel.
4 BARR, A; FEIGENBAUM, A The Handbook of Artificial Intelligence, Kaufman, Los Altos, Calif..
http://www.aaai.org/. Sitio web de la asociación para el avance de
5 AAAI
la inteligencia artificial