Silabo 2021-II INTELIGENCIA ARTIFICIAL A

SISTEMA DE GESTIÓN DE LA CALIDAD
CÓDIGO: USAT-PM0401-D-01
VERSIÓN: 04
FACULTAD DE INGENIERÍA
PROGRAMA DE ESTUDIOS DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
SÍLABO DE INTELIGENCIA ARTIFICIAL
I. DATOS INFORMATIVOS
1.1 Asignatura: INTELIGENCIA ARTIFICIAL
1.2 Código: 1206602000IN
1.3 Ciclo del plan de estudios: VI
1.4 Créditos: 4
1.5 Tipo de asignatura: (X) Obligatorio ( ) Electivo
1.6 Prerrequisito: ESTADÍSTICA Y PROBABILIDADES
N° de horas teóricas: 3
1.7 Número de horas semanales: N° de horas prácticas: 2
N° de horas totales: 5
1.8 Duración: Del (23/08) al (11/12/2021)
1.9 Semestre académico: 2021-II
1.10 Grupo Horario: A
ERNESTO LUDWIN NICHO CORDOVA

1.11 Docente coordinador:
ncordova@usat.edu.pe
EDWAR GLORIMER LUJAN SEGURA

1.12 Docente(s):
elujan@usat.edu.pe
Educación Remota de Emergencia (ERE)

1.13 Modalidad: (RCD 039-2020-SUNEDU / RVM 085-2020-MINEDU)
II. SUMILLA
La asignatura de INTELIGENCIA ARTIFICIAL corresponde al área de formación específica y tiene naturaleza

teórico práctica. Es de carácter obligatorio y se propone que el estudiante comprenda y aplique los
principios, teorías y técnicas de la Inteligencia Artificial, para emplearlas en el diseño e implementación de
sistemas inteligentes que faciliten las tareas del ser humano. Comprende: Agentes inteligentes para
encontrar la solución de problemas mediante la aplicación de estrategias de búsqueda ciega y heurística,
Representación de conocimiento para obtener, representar y utilizar el conocimiento en la solución
problemas simulando el razonamiento de un experto humano, Aprendizaje automático para entrenar
sistemas inteligentes que permitan resolver problemas generales de reconocimiento de patrones,
Algoritmos genéticos para resolver problemas de optimización. La asignatura está relacionada con el eje
transversal de Investigación.
III. COMPETENCIA(S)
3.1 Competencia(s) de perfil de egreso
La asignatura INTELIGENCIA ARTIFICIAL, que corresponde al área de estudios Específicas, contribuye al

logro del perfil de egreso, específicamente a la(s) competencia(s):
- CE3: DESARROLLO DE SOFTWARE: Desarrollar software que brinde soporte a los procesos
organizacionales y la toma de decisiones, mediante la aplicación de estándares de calidad, modelos,
metodologías y herramientas modernas, en consideración a las normativas vigentes.
- CG2: RESOLUCIÓN DE PROBLEMAS CON RIGOR CIENTÍFICO: Integra el conocimiento, demostrando
pensamiento crítico, habilidad para identificar, analizar y argumentar información, contribuyendo a la
resolución de problemas con rigor científico de su entorno y los grandes desafíos de la Iglesia.
3.2 Logro(s) de la asignatura
Comprende y aplica los principios, teorías y técnicas de la Inteligencia Artificial como base para el
desarrollo de sistemas inteligentes.
IV. UNIDADES DIDÁCTICAS

Unidad didáctica N° 01: Inteligencia Artificial y Métodos de Búsqueda
Resultado de aprendizaje N° 01 (RA1):

Aplica los fundamentos de la inteligencia artificial y los diferentes tipos de agentes de Contenidos
inteligentes para dar solución a problemas propuestos.
RA1 = IND1(0.30) + IND2(0.40) + IND3(0.30)
Indicadores Evaluación 1.1 Exposición del Silabo.

1.2 Evaluación diagnóstica.
1.3 Introducción al curso,
Descripción Peso Evidencia Peso Instrumentos 1.4 Inteligencia Artificial, Definición,
1.5 Historia de la IA.
1.6 Fundamentos, Ramas de la IA.
IND1: Describe los 1.7 Clasificación de problemas algorítmicos,
conceptos de Prom. problemas P y NP.
30.00 Trabajo Colaborativo 1 Simple Cuestionario 1.8 Problemas de decisión, localización y
inteligencia artificial y
machine Learning. optimización.
1.9 Descripción de algunos problemas NP-
difícil.
IND2: Utiliza los tipos 1.10 Agentes Inteligentes.
de agentes inteligentes Trabajo de Laboratorio Prom. Resolución de 1.11 Máquina inteligente.
40.00 1.12 Diferencia entre sistemas
para dar solución a 1 Simple Problemas operacionales y sistemas inteligentes.
problemas propuestos. 1.13 Aplicaciones en la industria y servicios
(robótica, planificación, gestión de
desperdicios).
1.14 Test de Turing.
1.15 Clasificación de Agentes: De reflejo
simple, basado en metas, basado en
utilidad.
1.16 Representación de problemas de juego
humano –máquina como búsqueda en un
espacio de estado.
1.17 Definición de problemas de la IA como
problemas de búsqueda en un espacio de
estado.
1.18 Representación de problemas de
juegos humano –máquina.
1.19 Solución de problemas mediante
búsqueda
1.20 Métodos de búsqueda ciegos e
informados.
1.21 La función evaluadora.
IND3: Aplica los 1.22 Métodos de búsqueda ciega ó no
fundamentos de la informados: amplitud, profundidad y no
Prom. determinístico,
inteligencia artificial 30.00 Practica Calificada 1 Simple Cuestionario
para dar solución a 1.23 Métodos que usan información
adicional: primero el mejor, ascenso a la
problemas propuestos. colina, A*, ramificación y acotación.
1.24 Métodos de búsqueda para juegos
humano-máquina.
1.25 Algoritmo de juego humano
–máquina.
1.26 Estrategias de juego de máquina: no
determinístico, primero el mejor, min-max y
mejor diferencia de utilidades.
1.27 Algoritmo min-max y alfa-beta.
1.28 Aprendizaje automático para entrenar
sistemas inteligentes que permitan resolver
problemas generales de reconocimiento de
patrones.
1.29 Presentación de trabajos
computacionales.
1.30 Desarrollo de software de juegos
inteligentes basados en técnicas de
búsqueda.
Unidad didáctica N° 02: Sistemas Expertos
Resultado de aprendizaje N° 02 (RA2):

Resuelve problemas mediante el uso de los principios de sistemas expertos y un lenguaje Contenidos
de programación.
RA2 = IND4(0.30) + IND5(0.70)
Indicadores Evaluación 2.1 Fundamentos de sistemas expertos:

Definición de Sistemas Expertos.
2.2 Arquitectura de un sistema experto.
Descripción Peso Evidencia Peso Instrumentos 2.3 Taxonomía y aplicaciones de los
sistemas expertos.
2.4 Requisitos para el desarrollo de sistemas
IND4: Presenta una expertos y ventajas del uso de sistemas
solución basada en un expertos
sistema experto, en Prom. 2.5 Algunos problemas basados en el
30.00 Trabajo Colaborativo 2 Simple Cuestionario conocimiento.
donde diferencia entre
base de conocimiento 2.6 Ingeniería de conocimiento:
Introducción.
y base de hechos. 2.7 Adquisición de conocimiento.
2.8 La metodología CommonKADS.
Trabajo de Laboratorio Resolución de 2.9 Diseño de Sistemas Expertos (SE).
40.00 2.10 Ciclo de vida de un SE.
2 Problemas 2.11 Adquisición de Conocimiento.
2.12 Construcción de la base de hechos y
base de conocimiento.
2.13 Estructuras de representación de
conocimientos (reglas de inferencias,
frames, objects, redes semánticas, lógica de
predicados).
2.14 Tipos de sistemas expertos.
2.15 Componentes de un sistema experto.
2.16 Arquitectura: Sistema experto.
2.17 Desarrollo de sistemas expertos
basados en reglas.
2.18 Construcción de la base de hechos y
base de conocimiento.
2.19 El motor de inferencia.
2.20 Los métodos de encadenamiento
regresivo, progresivo y reversibilidad.
2.21 Técnicas de equiparación, el algoritmo
IND5: Resuelve RETE. Técnicas de resolución de conflictos.
2.22 Calidad y validación de sistemas
problemas propuestos, expertos.
mediante el uso de los 70.00 2.23 Principales errores en el desarrollo de
principios de sistemas un sistema experto.
expertos y un lenguaje Practica Calificada 2 60.00 Cuestionario 2.24 Calidad de un sistema experto.
de programación. 2.25 Validación de sistemas inteligentes,
métodos cuantitativos de validación.
2.26 Eficiencia y error de sistemas expertos.
2.27 Revisión de la funcionalidad del SE.
2.28 Introducción a Machine Learning
(Aprendizaje Automático) y heurísticas.
2.29 Conceptos de aprendizaje y de
machine learning. Sistemas experto vs
machine learning.
2.30 Técnicas de aprendizaje y fases de
desarrollo de machine learning.
2.31 Sistema experto basado en reglas.
2.32 Técnicas heurísticas y meta-heurísticas.
2.33 Problemas de optimización
combinatoria en la industria y servicios
2.34 Presentación de trabajos
computacionales.
2.35 Desarrollo de software de juegos
inteligentes basados en sistemas expertos.
Se deberá presentar un informe y un
software,
V. ESTRATEGIAS DIDÁCTICAS
Para el desarrollo de la asignatura se emplearán las siguientes estrategias didácticas:
• VideoConferencia:
Es la presentación de un tema lógicamente estructurado por el cual el docente, valiéndose de todos los
recursos de un lenguaje didáctico adecuado, presenta a los alumnos un tema nuevo, definiéndolo,
analizándolo y explicándolo.
Se empleará para ello la plataforma Zoom, archivos alojados en el aula virtual USAT.
• Taller virtual:
Permite la aplicación práctica de la materia, mediante la resolución de ejercicios, problemas o casos
planteados, solicitando a los estudiantes que desarrollen soluciones mediante la ejercitación de rutinas, la
aplicación de procedimientos y la interpretación de los resultados.
Se empleará para ello Plataforma Zoom, lenguajes de programaciónVisual Prolog y Python, Aplicación
Jupyter Notebook gestionada a través de la distribución Anaconda, tareas en el aula virtual USAT.
• Foro virtual:
Recurso que posibilita la comunicación e interacción sincrónica y asincrónica de los estudiantes,
propiciando un espacio para la discusión o debate de temas específicos, generando la construcción de
conocimientos.
Se empleará para ello plataforma Zoom, el foro en el aula virtual USAT.
VI. EVALUACIÓN
6.1 Criterios de evaluación
La calificación para todas las asignaturas, se realizará en la escala vigesimal, es decir, de cero (00) a veinte
(20). La nota aprobatoria mínima es catorce (14).
La evaluación será formativa y sumativa, se aplicará evaluaciones de entrada y de salida, considerando las
evidencias (por ejemplo informes, exposiciones sobre textos académicos) e instrumentos que se
emplearán para la evaluación de cada una de ellas. Por ejemplo: listas de cotejo, escalas estimativas,
rúbricas, pruebas de ensayo etc.
Normatividad:
- El tiempo de tolerancia para el ingreso a las sesiones de clases es de 10 minutos.
- La asistencia a clases es obligatoria y responsabilidad del estudiante, la misma que será registrada por
el docente en cada sesión en el aula virtual.
- Para justificar la inasistencia, el estudiante deberá presentar una solicitud virtual dirigida al Director de
Escuela, dentro de los dos (2) días hábiles siguientes de ocurrida la inasistencia.
- De proceder la justificación, el Director de Escuela comunica al docente de la asignatura a la que no

asistió el estudiante, para conocimiento. El docente de la asignatura consignará este hecho como
inasistencia justificada, de acuerdo a lo estipulado en el sílabo.
- El límite de inasistencias justificadas acumuladas es del 30 %. La justificación de la inasistencia no

otorga derecho al estudiante de recuperar las clases perdidas, sin embargo puede ver las sesiones
grabadas de las clases, las cuales estarán disponibles solo por dos semanas de realizadas estas. Respecto
a las evaluaciones que no pudo rendir y que estuvieron programadas en la fecha que no asistió, estas
serán reprogramadas.
- La comprobación de todo tipo o intento de fraude en cualquier forma de evaluación será considerada
falta grave, se registrará la calificación de cero (00) en la evaluación respectiva. El docente deberá
informar este hecho al Director de Escuela para el inicio de las acciones disciplinarias correspondientes.
6.2 Sistema de calificación
Fórmula para la obtención de la nota de resultado de aprendizaje (RA)
RA = promedio (Calificaciones obtenidas en sus indicadores)
Unidad(es) en la(s) N° de
Evaluación Peso
que se trabaja evaluaciones
Resultado de aprendizaje N° 01 (RA1) I 0.40 03
Resultado de aprendizaje N° 02 (RA2) II 0.60 03
Total de evaluaciones programadas 06
Fórmula para la obtención de la nota final de la asignatura (NF)
NF = RA1(0.40) + RA2(0.60)
VII. REFERENCIAS
7.1 Referencias USAT

• Cruz, Pedro Ponce. Inteligencia artificial con aplicaciones a la ingeniería. Alfaomega, 2011.
• García, Julio J. Rubio, Pedro R. Muro Medrano, and Jose A. Bañares Bañares. "Inteligencia Artificial e
Ingeniería del Conocimiento I." Zaragoza: Departamento de Informática e Ingeniería de Sistemas (1998).
• Méndez, José Palma, and Roque Marín Morales. "Inteligencia artificial." Métodos, técnicas y (2008).
• Russel, S., & Norvig, P. (2013). Artificial intelligence: a modern approach. London: Pearson Education
Limited.
7.2 Referencias complementarias
• Nilsson, J. Inteligencia artificial: una nueva síntesis. McGraw-Hill Interamericana, España, 2000
• Palma Méndez, J. Inteligencia artificial: métodos, técnicas y aplicaciones. McGraw-Hill Interamericana,
España 2008
• Márquez Díaz, Jairo. "Inteligencia artificial y Big Data como soluciones frente a la COVID-19." Revista de
Bioética y Derecho 50 (2020): 315-331. Recuperado de:
http://scielo.isciii.es/scielo.php?pid=S1886-58872020000300019&script=sci_arttext&tlng=pt
• Salvador, Víctor Lope, Xhevrie Mamaqi, and Francisco Javier Vidal Bordes. "La Inteligencia Artificial:
desafíos teóricos, formativos y comunicativos de la datificación." Icono14 18.1 (2020): 58-88. Recuperado
de:
https://dialnet.unirioja.es/servlet/articulo?codigo=7305479
• ACOSTA, Adan, et al. "Nuevas tecnologías como factor de cambio ante los retos de la inteligencia
artificial y la sociedad del conocimiento." Revista ESPACIOS 41.05 (2020). Recuperado de:
http://www.revistaespacios.com/a20v41n05/20410525.html
7.3 Investigaciones de docentes
VIII. PROGRAMACIÓN DE ACTIVIDADES

Unidad didáctica N° 01: Inteligencia Artificial y Métodos de Búsqueda
Sesión Contenidos Actividades Evaluaciones

(N° / dd-mm)
1-2 / 26 -28 de agosto 1.1 Exposición del Silabo. • • Del docente:- Expone los
1.2 Evaluación diagnóstica. contenidos de la sesión por medio
1.3 Introducción al curso, de una videoconferencia utilizando
1.4 Inteligencia Artificial, Definición,
1.5 Historia de la IA. la plataforma zoom y diapositiva de
1.6 Fundamentos, Ramas de la IA. la sesión.- Desarrolla ejemplos
1.7 Clasificación de problemas algorítmicos, relacionados con los contenidos por
problemas P y NP. medio de una videoconferencia
1.8 Problemas de decisión, localización y utilizando la plataforma zoom,
optimización. archivos alojados en el aula virtual
1.9 Descripción de algunos problemas NP-difícil. USAT y diapositiva de la sesión.-
Propone ejercicios para que diseñen
algoritmos y desarrollen programas
por medio de un taller virtual
utilizando plataforma zoom, archivos
alojados en el aula virtual USAT y
diapositiva de la sesión.
• • Del estudiante:- Diseña
algoritmos y desarrolla programas
para dar solución a los ejercicios
propuestos utilizando en lenguajes
de programación Visual Prolog.-
Formula consultas y/o interrogantes
sobre el desarrollo de los temas
tratados por videoconferencia o por
chat.
3-4 / 2 -4 de 1.10 Agentes Inteligentes. • • Del docente:- Expone los

septiembre 1.11 Máquina inteligente. contenidos de la sesión por medio
1.12 Diferencia entre sistemas operacionales y de una videoconferencia utilizando
sistemas inteligentes.
1.13 Aplicaciones en la industria y servicios la plataforma zoom y diapositiva de
(robótica, planificación, gestión de desperdicios). la sesión.- Desarrolla ejemplos
1.14 Test de Turing. relacionados con los contenidos por
medio de una videoconferencia
utilizando la plataforma zoom,
archivos alojados en el aula virtual
USAT y diapositiva de la sesión.-
• • Del estudiante:- Diseña
algoritmos y desarrolla programas
para dar solución a los ejercicios
propuestos utilizando en lenguajes
de programación Visual Prolog.-
chat.
5-6 / 9 -11 de 1.15 Clasificación de Agentes: De reflejo simple, • Del docente:- Expone los • Trabajo
septiembre basado en metas, basado en utilidad. contenidos de la sesión por medio Colaborativo 1
1.16 Representación de problemas de juego de una videoconferencia utilizando (Cuestionario)
humano –máquina como búsqueda en un espacio
de estado. la plataforma zoom y diapositiva de
1.17 Definición de problemas de la IA como la sesión.- Desarrolla ejemplos
problemas de búsqueda en un espacio de estado. relacionados con los contenidos por
1.18 Representación de problemas de juegos medio de una videoconferencia
humano –máquina. utilizando la plataforma zoom,
USAT y diapositiva de la sesión.
• Del estudiante:- Formula consultas
y/o interrogantes sobre el desarrollo
de los temas tratados por
videoconferencia o por chat.
• Evaluación sumativa:El estudiante
diseña algoritmos y desarrolla
programas utilizando agentes
inteligentes y búsquedas de
clasificación, a través de un trabajo
colaborativo y sube al aula virtual
USAT el archivo con la solución
propuesta desarrollado en Visual
Prolog. Es evaluado con el
cuestionario relacionado al trabajo.
7-8 / 16 -18 de 1.19 Solución de problemas mediante búsqueda • Del docente:- Expone los
septiembre 1.20 Métodos de búsqueda ciegos e informados. contenidos de la sesión por medio
1.21 La función evaluadora. de una videoconferencia utilizando
la plataforma zoom y diapositiva de
la sesión.- Desarrolla ejemplos
relacionados con los contenidos por
• Del estudiante:- Diseña algoritmos
y desarrolla programas para dar
solución a los ejercicios propuestos
utilizando en lenguajes de
programación Visual Prolog.-
chat.
9-10 / 23 -25 de 1.22 Métodos de búsqueda ciega ó no • Del docente:- Expone los
septiembre informados: amplitud, profundidad y no contenidos de la sesión por medio
determinístico, de una videoconferencia utilizando
1.23 Métodos que usan información adicional:
primero el mejor, ascenso a la colina, A*, la plataforma zoom y diapositiva de
ramificación y acotación. la sesión.- Desarrolla ejemplos
chat.
11-12 / 30 -2 de 1.24 Métodos de búsqueda para juegos humano- • Del estudiante:- Formula consultas • Trabajo de
octubre máquina. y/o interrogantes sobre el desarrollo Laboratorio 1
1.25 Algoritmo de juego humano –máquina. de los temas tratados por (Resolución de
1.26 Estrategias de juego de máquina: no
determinístico, primero el mejor, min-max y mejor videoconferencia o por chat. Problemas)
diferencia de utilidades. • Evaluación sumativa:El estudiante
1.27 Algoritmo min-max y alfa-beta. diseña algoritmos y desarrolla
programas utilizando algoritmos y
estrategias de juego, a través de un
trabajo laboratorio y sube al aula
virtual USAT el archivo con la
solución propuesta desarrollado en
Visual Prolog. Es evaluado con la
resolución problemas planteados.
• Del docente:- Expone los
contenidos de la sesión por medio
de una videoconferencia utilizando
13-14 / 7 -9 de 1.28 Aprendizaje automático para entrenar • Del docente:- Expone los
octubre sistemas inteligentes que permitan resolver contenidos de la sesión por medio
problemas generales de reconocimiento de de una videoconferencia.
patrones.
• Del estudiante: - Diseña algoritmos
programación Visual Prolog. -
chat.
15-16 / 14 -16 de 1.29 Presentación de trabajos computacionales. • Del docente:- Expone los • Practica
octubre 1.30 Desarrollo de software de juegos inteligentes contenidos de la sesión por medio Calificada 1
basados en técnicas de búsqueda. de una videoconferencia utilizando (Cuestionario)
• Evaluación sumativa:- El estudiante
programas utilizando técnicas de
búsqueda, a través de una práctica
calificada y sube al aula virtual USAT
el archivo con la solución propuesta
desarrollado en Visual Prolog. Es
evaluado con el cuestionario
relacionado a la práctica.
Unidad didáctica N° 02: Sistemas Expertos
Sesión Contenidos Actividades Evaluaciones

(N° / dd-mm)
17-18 / 21 -23 de 2.1 Fundamentos de sistemas expertos: Definición • Del docente:- Expone los
octubre de Sistemas Expertos. contenidos de la sesión por medio
2.2 Arquitectura de un sistema experto. de una videoconferencia utilizando
2.3 Taxonomía y aplicaciones de los sistemas
expertos. la plataforma zoom y diapositiva de
2.4 Requisitos para el desarrollo de sistemas la sesión.- Desarrolla ejemplos
expertos y ventajas del uso de sistemas expertos relacionados con los contenidos por
2.5 Algunos problemas basados en el medio de una videoconferencia
conocimiento. utilizando la plataforma zoom,
tratados.
19-20 / 28 -30 de 2.6 Ingeniería de conocimiento: Introducción. • Del docente:- Expone los
octubre 2.7 Adquisición de conocimiento. contenidos de la sesión por medio
2.8 La metodología CommonKADS. de una videoconferencia utilizando
2.9 Diseño de Sistemas Expertos (SE).
2.10 Ciclo de vida de un SE. la plataforma zoom y diapositiva de
tratados
21-22 / 4 -6 de 2.11 Adquisición de Conocimiento. • Del docente:- Expone los • Trabajo

noviembre 2.12 Construcción de la base de hechos y base de contenidos de la sesión por medio Colaborativo 2
conocimiento. de una videoconferencia utilizando (Cuestionario)
2.13 Estructuras de representación de
conocimientos (reglas de inferencias, frames, la plataforma zoom y diapositiva de
objects, redes semánticas, lógica de predicados). la sesión.- Desarrolla ejemplos
2.14 Tipos de sistemas expertos. relacionados con los contenidos por
2.15 Componentes de un sistema experto. medio de una videoconferencia
chat.
• Evaluación sumativa:- El estudiante
programas utilizando redes
semánticas, a través de un trabajo
colaborativo y sube al aula virtual
propuesta desarrollado en Visual
Prolog. con el cuestionario
relacionado al trabajo.
23-24 / 11 -13 de 2.16 Arquitectura: Sistema experto. • Del docente:- Expone los
noviembre 2.17 Desarrollo de sistemas expertos basados en contenidos de la sesión por medio
reglas. de una videoconferencia utilizando
2.18 Construcción de la base de hechos y base de
conocimiento. la plataforma zoom y diapositiva de
2.19 El motor de inferencia. la sesión.- Desarrolla ejemplos
2.20 Los métodos de encadenamiento regresivo, relacionados con los contenidos por
progresivo y reversibilidad. medio de una videoconferencia
2.21 Técnicas de equiparación, el algoritmo RETE. utilizando la plataforma zoom,
Técnicas de resolución de conflictos. archivos alojados en el aula virtual
chat.
25-26 / 18 -20 de 2.22 Calidad y validación de sistemas expertos. • Del docente:- Expone los
noviembre 2.23 Principales errores en el desarrollo de un contenidos de la sesión por medio
sistema experto. de una videoconferencia utilizando
2.24 Calidad de un sistema experto.
2.25 Validación de sistemas inteligentes, métodos la plataforma zoom y diapositiva de
cuantitativos de validación. la sesión.- Desarrolla ejemplos
2.26 Eficiencia y error de sistemas expertos. relacionados con los contenidos por
2.27 Revisión de la funcionalidad del SE. medio de una videoconferencia
chat.
27-28 / 25 -27 de 2.28 Introducción a Machine Learning • Del docente:- Expone los • Trabajo de
noviembre (Aprendizaje Automático) y heurísticas. contenidos de la sesión por medio Laboratorio 2
2.29 Conceptos de aprendizaje y de machine de una videoconferencia utilizando (Resolución de
learning. Sistemas experto vs machine learning.
2.30 Técnicas de aprendizaje y fases de desarrollo la plataforma zoom y diapositiva de Problemas)
de machine learning. la sesión.- Desarrolla ejemplos
programas utilizando sistemas
expertos, a través de un trabajo
laboratorio y sube al aula virtual
propuesta desarrollado en Python. Es
evaluado con la resolución
problemas planteados.
29-30 / 2 -4 de 2.31 Sistema experto basado en reglas. • Del docente:- Expone los
diciembre 2.32 Técnicas heurísticas y meta-heurísticas. contenidos de la sesión por medio
2.33 Problemas de optimización combinatoria en de una videoconferencia utilizando
la industria y servicios
chat.
31-32 / 9 -11 de 2.34 Presentación de trabajos computacionales. • Del docente:- Expone los • Practica
diciembre 2.35 Desarrollo de software de juegos inteligentes contenidos de la sesión por medio Calificada 2
basados en sistemas expertos. Se deberá de una videoconferencia utilizando (Cuestionario)
presentar un informe y un software,
programas utilizando sistemas
expertos, a través de una practica
calificada y sube al aula virtual USAT
el archivo con la solución propuesta
desarrollado en Python. Es evaluado
con el cuestionario relacionado a la
practica.

Silabo 2021-II INTELIGENCIA ARTIFICIAL A

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Silabo 2021-II INTELIGENCIA ARTIFICIAL A

Cargado por

Copyright:

Formatos disponibles

SISTEMA DE GESTIÓN DE LA CALIDAD

PROGRAMA DE ESTUDIOS DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN

SÍLABO DE INTELIGENCIA ARTIFICIAL

1.1 Asignatura: INTELIGENCIA ARTIFICIAL

1.2 Código: 1206602000IN

1.3 Ciclo del plan de estudios: VI

1.5 Tipo de asignatura: (X) Obligatorio ( ) Electivo

1.6 Prerrequisito: ESTADÍSTICA Y PROBABILIDADES

1.7 Número de horas semanales: N° de horas prácticas: 2

1.8 Duración: Del (23/08) al (11/12/2021)

1.9 Semestre académico: 2021-II

1.10 Grupo Horario: A

ERNESTO LUDWIN NICHO CORDOVA

EDWAR GLORIMER LUJAN SEGURA

Educación Remota de Emergencia (ERE)

La asignatura de INTELIGENCIA ARTIFICIAL corresponde al área de formación específica y tiene naturaleza

3.1 Competencia(s) de perfil de egreso

La asignatura INTELIGENCIA ARTIFICIAL, que corresponde al área de estudios Específicas, contribuye al

3.2 Logro(s) de la asignatura

IV. UNIDADES DIDÁCTICAS

Resultado de aprendizaje N° 01 (RA1):

Indicadores Evaluación 1.1 Exposición del Silabo.

Resultado de aprendizaje N° 02 (RA2):

Indicadores Evaluación 2.1 Fundamentos de sistemas expertos:

Para el desarrollo de la asignatura se emplearán las siguientes estrategias didácticas:

6.1 Criterios de evaluación

- El tiempo de tolerancia para el ingreso a las sesiones de clases es de 10 minutos.

- De proceder la justificación, el Director de Escuela comunica al docente de la asignatura a la que no

- El límite de inasistencias justificadas acumuladas es del 30 %. La justificación de la inasistencia no

6.2 Sistema de calificación

Fórmula para la obtención de la nota de resultado de aprendizaje (RA)

RA = promedio (Calificaciones obtenidas en sus indicadores)

Resultado de aprendizaje N° 01 (RA1) I 0.40 03

Resultado de aprendizaje N° 02 (RA2) II 0.60 03

Total de evaluaciones programadas 06

Fórmula para la obtención de la nota final de la asignatura (NF)

7.1 Referencias USAT

7.2 Referencias complementarias

7.3 Investigaciones de docentes

VIII. PROGRAMACIÓN DE ACTIVIDADES

Sesión Contenidos Actividades Evaluaciones

3-4 / 2 -4 de 1.10 Agentes Inteligentes. • • Del docente:- Expone los

Sesión Contenidos Actividades Evaluaciones

21-22 / 4 -6 de 2.11 Adquisición de Conocimiento. • Del docente:- Expone los • Trabajo

También podría gustarte