Madre de Dios Capital de la Biodiversidad

UNIVERSIDAD NACIONAL AMAZÓNICA DE

MADRE DE DIOS
FACULTAD DE INGENIERÍA
DEPARTAMENTO ACADÉMICO DE INGENIERÍA DE SISTEMAS E
INFORMÁTICA

SÍLABO
ASIGNATURA INTELIGENCIA ARTIFICIAL

DOCENTE (S) - Ing. Miguel Angel Alatrista Aguilar.

FECHA DE
30 DE MARZO DE 2019
ACTUALIZACIÓN

2019
INTELIGENCIA ARTIFICIAL

I. DATOS INFORMATIVOS

1.1 Carrera Profesional : Ingeniería de Sistemas e Informática

1.2 Plan de Estudios : 2009
1.3 Semestre Académico : 2019 - I
1.4 Ciclo de Estudios : Decimo Ciclo
1.5 Área Curricular : Formación de Especialidad
1.6 Código de la Asignatura : IS506
1.7 Créditos : 3 Créditos
1.8 Pre-requisito : IS501
1.9 Duración por semanas : 17 Semanas
1.10 Número de horas de teoría y práctica :2 H. T. y 2 H. P.
1.11 Nº de aula : Aula 205
1.12 Profesor responsable : Ing. Miguel Angel Alatrista Aguilar.

II. SUMILLA

Asignatura de naturaleza teórico – práctico de carácter obligatorio, abarcando conceptos

sobre la Inteligencia Artificial, conceptos, paradigmas y aplicaciones en la industria y
servicios. Representación del conocimiento. Representación de problemas de IA como
búsqueda en el espacio de estado. Métodos de búsqueda ciegos e informados. Juegos
inteligentes hombre-máquina. Sistemas expertos, arquitectura, taxonomía y
aplicaciones. Motor de Inferencia. Ingeniería de conocimiento, conceptos, evolución,
Metodología CommonKADS. Calidad y Validación de Sistemas Expertos, Introducción
a Machine Learning (Aprendizaje Automático) y heurísticas.

III. COMPETENCIA

 Plantear y resolver problemas haciendo uso de los conceptos sobre IA. sobre
aspectos de gestión operativa y de inversiones empresariales, mostrando sentido
de orden, seguridad y confianza en dicha resolución.
 Aplicar conceptos y técnicas de la Teoría de decisiones mediante procedimientos
computacionales que ayuden al análisis y toma de decisiones relacionadas a
aspectos operativos y de inversión empresariales de relativa complejidad.

IV. CAPACIDADES

 Comprender la situación a ser analizada para desarrollar el proceso de toma de

 decisiones.
 Identificar las variables involucradas en un problema de decisión y las relaciones
existentes entre ellas.
 Representar la situación a resolver mediante los modelos correspondientes.

1
 INTELIGENCIA ARTIFICIAL

 Aplicar cálculos y programas computacionales para obtener la solución.

 Interpretar y comentar la solución y resultados obtenidos.

V. CONTENIDOS

UNIDAD Hrs
N° COMPETENCIAS CONTENIDOS
DIDÁCTICA
1. Concepto de IA.
Plantear conceptos 2. Características y
componentes de la IA.
sobre sistemas expertos 3. IA programadas y no
consolidar la programadas.
I. INTELIGENCIA información 4. IA gerenciales en
ARTIFICAL proporcionada para escenarios de certeza:,
CONCEPTOS Y modelo de 32
conocer el ámbito de la administración de
MODELOS
IA, su aplicación y sus proyectos.
usos en la actualidad.

Aplicar conceptos y 5. IA para la toma de

decisiones en un
técnicas IA para el uso ambiente de riesgo,
II. AGENTES de herramientas conceptos de
INTELIGENTES, computacionales que probabilidades,
ASISTENTES ayuden al análisis y variables aleatorias,
VIRTUALES valores monetarios 32
toma de decisiones esperados, perdidas
relacionadas a aspectos de oportunidad
operativos y de esperadas y árboles de
inversión empresariales decisión.
de relativa complejidad.
6. Aplicación de Agentes
inteligentes y
asistentes virtuales.
PROGRAMACIÓN DIDÁCTICA

UNIDAD DIDÁCTICA I: INTELIGENCIA ARTIFICAL CONCEPTOS Y MODELOS

SEMANA 1 - 3: SESIÓN N° 1, 2 y 3

1º Semana: Clasificación de problemas algorítmicos

Presentación del curso. Clasificación de problemas algorítmicos, problemas P y NP.
Problemas de decisión, localización y optimización. Descripción de algunos problemas NP-
difícil.

2º Semana: Fundamentos de la inteligencia artificial

Definición de la Inteligencia Artificial. Máquina inteligente. Diferencia entre sistemas
operacionales y sistemas inteligentes. Aplicaciones en la industria y servicios (robótica,
planificación, gestión de desperdicios). Test de Turing.

3º Semana: Representación de problemas de juego humano – máquina como búsqueda en

un espacio de estado
Definición de problemas de la IA como problemas de búsqueda en un espacio de estado.
Representación de problemas de juegos humano – máquina.
1er control de lectura

4º y 5° Semana: Métodos de búsqueda ciegos e informados

La función evaluadora, métodos de búsqueda ciega ó no informados: amplitud, profundidad
y no determinístico, métodos que usan información adicional: primero el mejor, ascenso a la
colina, A*, ramificación y acotación.

6° Semana: Métodos de búsqueda para juegos humano-máquina

Algoritmo de juego humano – máquina. Estrategias de juego de máquina: no determinístico,
primero el mejor, min-max y mejor diferencia de utilidades. Algoritmo min-max y alfa-beta.
Referencias: [1] Capítulo 6, [2] Capítulos 6, [3] Capítulos 4, [4] Capítulos 6, [9] Capítulos 12.
2do control de lectura

7º Semana: Fundamentos de sistemas expertos

Definición de Sistemas Expertos. Arquitectura de un sistema experto. Taxonomía y
aplicaciones de los sistemas expertos. Requisitos para el desarrollo de sistemas expertos y
ventajas del uso de sistemas expertos. Algunos problemas basados en el conocimiento.

8º Semana
Examen parcial
INTELIGENCIA ARTIFICIAL

UNIDAD DIDÁCTICA II: AGENTES INTELIGENTES, ASISTENTES VIRTUALES.

SEMANA 10 – 12: SESIÓN N° 10, 11 y 12

9º Semana: Presentación de trabajos computacionales

Los alumnos mostrarán sus habilidades en cuanto al desarrollo de software de juegos
inteligentes basados en técnicas de búsqueda. Se deberá presentar un informe y un
software, y deberán exponer sus trabajos.
3er control de lectura

10º Semana: Ingeniería de conocimiento

Introducción. Adquisición de conocimiento. La metodología CommonKADS. Diseño de
Sistemas Expertos (SE). Ciclo de vida de un SE.

11º Semana: Adquisición de Conocimiento

Adquisición de conocimiento. Construcción de la base de hechos y base de conocimiento.
Estructuras de representación de conocimientos (reglas de inferencias, frames, objects,
redes semánticas,lógica de predicados).
4to control de lectura

12º Semana: Desarrollo de sistemas expertos basados en reglas

Construcción de la base de hechos y base de conocimiento. El motor de inferencia. Los
métodos de encadenamiento regresivo, progresivo y reversibilidad. Técnicas de
equiparación, el algoritmo RETE. Técnicas de resolución de conflictos.

13º Semana: Calidad y validación de sistemas expertos

Principales errores en el desarrollo de un sistema experto. Calidad de un sistema experto.
Validación de sistemas inteligentes, métodos cuantitativos de validación. Eficiencia y error
de sistemas expertos. Revisión de la funcionalidad del SE del 2do trabajo.
Tareas: ejercicios sobre calidad y validación de SE, validar el sistema propuesto del 2do
trabajo.
5to control de lectura

14° Semana: Introducción a Machine Learning (Aprendizaje Automático) y heurísticas.

Conceptos de aprendizaje y de machine learning. Sistemas experto vs machine learning.
Técnicas de aprendizaje y fases de desarrollo de machine learning. Aplicaciones de machine
learning en la industria y servicios. Conceptos de heurísticas y meta-heurísticas. Algoritmos
exactos vs algoritmos heurísticos. Técnicas heurísticas y meta-heurísticas. Problemas de
optimización combinatoria en la industria y servicios
Referencias: [5] Capítulo 1 y 2, [8] Capítulo 1, [10], [11].

15º Semana: Presentación de trabajos computacionales

Los alumnos mostrarán sus habilidades en cuanto al desarrollo de sistemas expertos y sus
aplicaciones en los sectores de la industria y servicio. Los alumnos presentarán un informe
y un software.

16º Semana
Examen final

1
 INTELIGENCIA ARTIFICIAL

VI. RECURSOS PEDAGÓGICOS

Para el desarrollo de la asignatura se hará uso de la siguiente infraestructura:

 Aula, laboratorio de cómputo.

 En cuanto a los materiales didácticos equipos multimedias, guías de laboratorio,
diapositivas, textos referenciales al tema, internet para la búsqueda y aplicación de las
normas y textos virtuales que ayuden al estudiante en su aprendizaje.

VII. CRITERIOS DE EVALUACIÓN

 Procedimental 40%
 Conceptual 40%
 Actitudinal 20%

VIII. REFERENCIAS BIBLIOGRÁFICAS

1. MOODY PAUL, "Toma de decisiones gerenciales" Ed. McGraw Hill, Bogota.

ANDERSON/ SWEENEY/ WILLIAMS. "Métodos Cuantitativos para los Negocios" 7ª.
Edición. Ed. International Thomson Editores. México. 1999.
2. BONINI, HAUSMAN y BIERMAN, "Análisis Cuantitativo para los Negocios". Ed. McGraw
Hill, 2000. Novena edición.
3. MOODY PAUL, "Toma de decisiones gerenciales" Ed. McGraw Hill, Bogota.
ANDERSON/ SWEENEY/ WILLIAMS. "Métodos Cuantitativos para los Negocios" 7ª.
Edición. Ed. International Thomson Editores. México. 1999.
4. ARLETTE BELTRÁN / HANNY CUEVA, "Evaluacion Privada de Proyectos", Edición 1999
- Universidad Del Pacífico. DAVIS GORDON B., "Sistemas de Información Gerencial.
5. INVESTIGACION DE OPERACIONES Hiller Frederick Editorial Mc Graw Hill TOMA DE
DECISIONES POR MEDIO DE LA INVESTIGACION DE OPERACIONES Thierauf,
Robert. Editorial Limusa, México. FUNCIONES Y HERRAMIENTAS FINANCIERAS DE
EXCEL PARA LA GESTION FINANCIERA Carlos Aliaga Valdéz / Carlos Aliaga Calderón.
Editorial CITEC.