La inteligencia artificial es un rea de la ciencia de la computacin que tiene por objetivo desarrollar los fundamentos prcticos y tericos para el desarrollo de sistemas de computacin que presentan caractersticas inteligentes y que por lo general corresponden a problemas intratables. Muchos problemas que ocurren en la industria, servicios y entretenimiento corresponden a problemas inteligentes, y su solucin se hace cada vez ms indispensable en las organizaciones debido a las exigencias de competitividad que se incrementan cada da. Entre los diversos tipos de sistemas inteligentes se encuentran los juegos humanomquina, los sistemas basados en el conocimiento, los sistemas de optimizacin y machine learning. En el presente curso, se hace una introduccin a la inteligencia artificial y sus aplicaciones en la industria, servicios y entretenimiento, y se muestra como las tecnologas basadas en inteligencia artificial pueden crear valor y hacer que las organizaciones sean ms competitivas. Tambin se mostrar sus aplicaciones en la ingeniera de software. Se aborda con mayor profundidad el diseo e implementacin de juego humano - mquina y de sistemas basados en el conocimiento.
3. LOGRO DEL CURSO
Al finalizar el curso el alumno adquirir conocimientos generales del rea de inteligencia artificial, disear e implementar juegos de competicin humano mquina basados en inteligencia artificial y sistemas basados en el conocimiento,
Nombre del Curso : INTELIGENCIA ARTIFICIAL Cdigo del Curso : 207008 Duracin del Curso : 17 semanas Forma de Dictado : Tcnico - experimental Horas semanales Naturaleza : Teora: 3h Laboratorio: 2h : Formacin profesional Nmero de crditos : Cuatro (04) Prerrequisitos : 205007 Investigacin Operativa I 2/9 haciendo uso de manera clara y precisa de las tcnicas de bsqueda en un espacio de estado y de la metodologa CommonKADS.
4. UNIDADES DE APRENDIZAJE
1/7 UNIDAD N 1: Fundamentos de Inteligencia Artificial
Logro
El estudiante al finalizar la unidad comprender que es la inteligencia artificial (IA) y su diferencia con los sistemas de informacin, algunas aplicaciones en la industria y servicios, y su dificultad para resolverlos a travs de la teora de complejidad de problemas.
Temario
Clasificacin de problemas algortmicos, problemas P y NP. Problemas de decisin, localizacin y optimizacin. Descripcin de algunos problemas NP -difcil. Definicin de la IA, Mquina inteligente. Diferencia entre sistemas operacionales y sistemas inteligentes. Revisin de la representacin del conocimiento, revisin de los lenguajes de la IA. Aplicaciones en la industria y servicios (robtica, planificacin, gestin de desperdicios). Test de Turing.
Horas / Semana (s) 10 h/2S
UNIDAD N 2: Bsqueda de Est ado y su Aplicacin para Juegos Humano Mquina 3/9
Logro
El estudiante al finalizar la unidad representar problemas de inteligencia artificial como bsqueda de estado, conocer los mtodos de bsqueda de estado para resolverlos, y disea r juegos humano-mquina, que ser prcticamente invencible por el humano, para ello definir la funcin de evaluacin ms adecuada e implementar diversos criterios inteligentes de decisin.
Temario
El problema de bsqueda en un espacio de estado. Representacin de proble mas de raciocinio y de optimizacin. Representacin de problemas de juegos humano mquina. Mtodos Ciegos. Mtodos Informados. Funcin evaluadora y su aplicacin en juegos-humano mquina. Algoritmos de juego humano mquina. Criterios de decisin para jue gos humano mquina: no determinstico, goloso, min-max, mejor diferencia de utilidades.
Horas / Semana (s) 25 h/5S
UNIDAD N 3: Ingeniera de conocimiento
Logro
El estudiante al finalizar la unidad comprender que son los sistemas expertos (SE), sus aplicaciones sabr cuando aplicarlo, y modelar sistemas basados en el conocimiento siguiendo la metodologa de facto CommonKADS.
Temario
Definicin de SE. Arquitectura, taxonoma, aplicaciones, y ventajas de SE. Requisitos para el desarrollo de SE. Introduccin a la ingeniera de conocimiento. Mtodos de desarrollo de sistemas basados en el conocimiento (SBC). La metodologa CommonKADS (CK). Construccin de un SBC usando CK: modelo de contexto, modelo conceptual y modelo de diseo.
Horas / Semana (s) 10 h / 2S
4/9 UNIDAD N 4: Desarrollo y validacin de Sistemas Expertos
Logro
El estudiante al finalizar la unidad podr disear, implementar y validar un sistema experto para ello aprender a adquirir y representar el conocimiento, disear motores de inferencia, calcular los ratios de performance de un sistema experto, y reforzar lo aprendido mediante diversos ejemplos clsicos de sistemas expertos.
Temario
Adquisicin de conocimiento. Construccin de la base de hechos y base de conocimiento. Estructuras de representacin de conocimientos. El motor de inferencia. Los mtodos de encadenamiento regresivo y progresivo. Principales errores en el desarrollo de un SE. Calidad de un SE. Eficiencia y error de SE. ndice de acuerdo, sensibilidad y especificidad.
Horas / Semana (s) 15 h / 3S
UNIDAD N: 5 Introduccin a Machine Learning y a Heursticas
Logro
El estudiante al finalizar comprender que es la optimizacin combinatoria y machine learning as como sus aplicaciones para crear valor e incrementar la competitividad de las organizaciones a travs de casos de estudios y talleres.
Temario
Conceptos de aprendizaje y de machine learning. Sistemas expertos vs machine learning. Tcnicas de aprendizaje y fases de desarrollo de machine learning. Aplicaciones de machine learning en la industria y servicios. El problema de la optimizacin combinatoria. Conceptos de heursticas y meta-heursticas. Algoritmos exactos vs algoritmos heursticos. Tcnicas heursticas y meta-heursticas. Aplicaciones de optimizacin combinatoria en la industria y servicios.
Horas / Semana (s) 5 h /1S
5. CONTENIDO POR SEMANAS:
5/9 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. Diferenci a 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, 4 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] Captulos 3, [3] Captulo 2, [4] Captulo 3. 1er control de lectura
5 Semana: Mtodos de bsqueda ciega El problema de bsqueda en un espacio de estado como grafo. La imposibilidad de usar mtodos de caminos mnimos. El concepto de los mtodos de bsqueda ciega e informada. El rbol de estado. Los mtodos ciegos: amplitud, profundidad, no-deterministico. Referencias: [1] Captulo 4, [2] Captulo 5, [3] Captulo 3, [4] Captulos 5, [9] Captulos 9
6 Semana: Mtodos de bsqueda informados La funcin evaluadora, mtodos que usan informacin adicional: primero el mejor, ascenso a la colina, A*, ramificacin y acotacin. Referencias: [1] Captulo 4, [2] Captulo 5, [3] Captulo 3, [4] Captulos 5, [9] Captulos 9
7 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 5, [2] Captulos 6, [3] Captulos 4, [4] Captulos 6, [9] Captulos 12. 2do control de lectura
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 6/9 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 C ommonKADS. 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, ontologas, metadatos, thesaurus). 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 cuantit ativos 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 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. El problema de la optimizacin combinatoria. Conceptos de heursticas y meta-heursticas. Algoritmos exactos vs algoritmos heursticos. Tcnicas heursticas y metaheursticas. Problemas de optimizacin combinatoria en la industria y servicios. Referencias: [10], [11], [5] Captulo 1, [8] Captulo 1.
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.
7/9 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 acompaara el desarrollo de los trabajos computacionales, ejercicios complementarios a la teora, y el desarrollarlo de un lenguaje de programacin de inteligencia artificial a nivel bsico como LIPS (o una variante de ella) o CLIPS.
Trabajos Computaci onales
Los alumnos agrupados en 3 desarrollarn dos trabajos computacionales. El primer trabajo se trata de un juego de interaccin humano -mquina con el uso de inteligencia artificial, el juego deber ser diferente a los juegos que existen en los medios. La diferencia entre dos juegos se basa: diferencia en el entorno, diferencia en las reglas y objetos, o diferencia en ambos. El juego deber usar la tcnica de bsqueda en un espacio de estado, el algoritmo humano -mquina, y deber considerar 3 niveles de dificultad (principiante, normal y experto). Deber tener interfaces adecuadas y el lenguaje de programacin es libre. El segundo trabajo es un sistema experto basado en reglas. La base de conocimiento deber tener al menos 50 reglas. Deber tener interfaces adecuadas y el lenguaje de programacin a usar debe ser un lenguaje de IA. En cuanto al desarrollo deber seguir la metodologa CommonKADS. Los trabajos computacionales debern ir acompaados de un informe redactado en el formato de un artculo y ser expuesto.
6 . 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 estudiantes desarrollarn dos trabajos computacionales. Durante las secciones de laboratorio se estudiar el lenguaje no procedural CLIPS o una variante de LISP y se evaluar el avance del de los trabajos computacionales.
7. EVALUACIN
El Promedio Final (PF) se determina de la forma siguiente:
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 , esto es 5 faltas estn retirados automticamente del curso.
8. BIBLIOGRAFA
[1] STUART, RUSSELL; PETER, NORVIG 2010 Artificial Intelligence: a modern approach. Ed. Prentice Hall. ISBN 0-13-103805-2
[2] PATRICK, WINSTON 1984 Inteligencia artificial. Ed. AddisonWesley ISBN 0-201-51876-7
[3] ELAINE, RICH 1988 Inteligencia artificial. Ed McGrawHill ISBN 0-07-450364-2
[4] DAVID, MAURICIO 2009 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. 9/9 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.