UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA )

FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA
Escuela Acadmico Profesional de I ngeniera de Sistemas

SILABO

1. ESPECIFICACIONES
GENERALES
Semestre acadmico : 2014 2


2. INTRODUCCIN

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:

8/9
PF = 0.0125(CL1 + CL2 + CL3 + CL4) + 0.01(TB1 + TB2) + 0.15*LA + 0,30*(EA +EB)

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.