guÍa del profesor - plataforma educativa moodle...

I

INGENIERÍA EN SISTEMAS

COMPUTACIONALES

APLICACIONES DE

INTELIGENCIA ARTIFICIAL

AII-ES

REV00

II

DIRECTORIO

Secretario de Educación Pública

Dr. José Ángel Córdova Villalobos

Subsecretario de Educación Superior

Dr. Rodolfo Tuirán Gutiérrez

Coordinadora de Universidades Politécnicas

Mtra. Sayonara Vargas Rodríguez

III

PÁGINA LEGAL

Participantes

M.C.C. Donají Lorena Sedano Flores - Universidad Politécnica de Zacatecas (UPZ)

M.C.C. Juan Jaime Fuentes Uriarte – Universidad Politécnica del Valle del Évora (UPVE)

Mtro. Roberto Arturo Sánchez Herrera – Universidad Politécnica de Tulancingo (UPT)

Primera Edición: 2012

DR 2012 Coordinación de Universidades Politécnicas.

Número de registro:

México, D.F

ISBN-----------------

IV

ÍNDICE

INTRODUCCIÓN ............................................................................................................................................ 1

PROGRAMA DE ESTUDIOS .......................................................................................................................... 2

FICHA TÉCNICA ............................................................................................................................................. 3

DESARROLLO DE LA PRÁCTICA O PROYECTO........................................................................................... 5

INSTRUMENTOS DE EVALUACION ............................................................................................................... 7

GLOSARIO ................................................................................................................................................... 17

BIBLIOGRAFÍA ............................................................................................................................................ 29

1

INTRODUCCIÓN

Las tecnologías de información en la actualidad han mejorado las actividades de los seres

humanos en diferentes aspectos de la vida, con lo que se exige desarrollo de aplicaciones

de software con mayor capacidad de autonomía, precisión y coherencia para obtener

resultados de manera rápida y eficaz. En este curso el alumno identificará los tipos de

aplicaciones que puede desarrollar a partir de las técnicas de la Inteligencia Artificial y sus

paradigmas contribuyendo así a que la información necesaria en la toma de decisiones sea

procesada de manera ágil y con la mayor precisión posible.

El presente manual presenta una serie de actividades de enseñanza aprendizaje que

permiten alcanzar el objetivo de la asignatura de Aplicaciones de Inteligencia Artificial; para

que el alumno conozca ampliamente las técnicas actuales de inteligencia artificial así como

sus paradigmas, lo que le permitirá trasferir situaciones del mundo real en aplicaciones

intuitivas y precisas que ayuden a obtener datos correctos en los tiempos establecidos.

El manual de asignatura está compuesto por cinco unidades, en el número uno se describe

el estado del arte de las aplicaciones de inteligencia artificial en la ingeniería computacional,

teniendo como producto una exposición de los temas mencionados. En la unidad dos se

proponen técnicas de representación de la incertidumbre que incluyen problemas que

ayudan al alumno en su compresión. En la unidad número tres se propone el estudio del

aprendizaje automático incluyendo la resolución de problemas. En la unidad número cuatro

se plantea el uso de ontologías y el planteamiento de soluciones haciendo uso del lenguaje

de las mismas y por último, se hace un recorrido por las aplicaciones generales de la

inteligencia artificial.

2

PROGRAMA DE ESTUDIOS

Presencial NO Presencial Presencial NO Presencial

EP2 Representa la solución diseñada a un

problema de incertidumbre en el diagrama de la

técnica de representación de incertidumbre

numérica o no numérica.

Estrategia de Apertura,

Actividad focal introductoria,

Estrategia de desarrollo,

Elaboración y guía de soluciones problemas

con técnicas de representación de la

incertidumbre.

Ejercicios expuestos en clase,

Estrategia de cierre,

Resolución de ejercicios

Lluvia de ideas

Estudio de casos

Implementar la

representación de la

solución a los ejercicios

propuestos

Resumen

N/A X N/A N/A N/A

Bibliografía

Manual de referencia del

lenguaje de programación

Marcadores

Pizarrón

Computadoras, Pizarrón,

Videoproyector Documental

EP2 Lista de cotejo para

representación de la solución

del problema en el diagrama de

la técnica numérica o no

numérica de incertidumbre.

EP2 Diseña la solución a un problema planteado

haciendo uso del razonamiento basado en casos.




Elaboración y guía de razonamiento basado

en casos

Ejercicios expuestos en clase,



Lluvia de ideas

Estudio de casos

Solución de ejercicios

propuestos

N/A X N/A N/A N/A

Bibliografía



Computadoras,


EP2 Lista de cotejo para la

solución de un problema

planteado haciendo uso del

razonamiento basado en casos.

EC1 Resuelve cuestionario sobre las

características, tipos, usos y tendencias de las

ontologías.

Actividad focal introductoria

Preparar características de la exposición


Retroalimentación

Lluvia de ideas

Lectura comentada

Diseñar presentación

electrónica

Resumen

X N/A N/A N/A N/A

Bibliografía



Computadoras,


EC1 Cuestionario sobre las

características, tipos, usos y

tendencias de las ontologías.

EP1 Describe en una línea de tiempo los

avances y retos de las aplicaciones generales de

la Inteligencia Artificial.


Preparar características a solicitar en la

línea de tiempo

Retroalimentación

Lluvia de ideas

Lectura comentada

Diseñar línea del tiempo

Resumen

X N/A N/A N/A N/A

Marcadores

Pizarrón

Dispositivos de

videoproyección,

Bibliografía

Computadoras,

VideoproyectorDocumental

EP1 Lista de Cotejo para línea

del tiempo sobre los avances y

retos de la robótica.

Campo

ED1 Guía de observación para

exposición el estado del arte de

las aplicaciones en inteligencia

artificial en la ingeniería

computacional.

1. Estado del arte de las aplicaciones de

inteligencia artificial en la ingeniería computacional

Al completar la unidad de aprendizaje, el alumno será

capaz de:

- Describir el estado del arte de las aplicaciones en inteligencia

artificial en la ingeniería computacional.

X

Documental

EP1 Lista de Cotejo de mapa

conceptual sobre los conceptos y

tendencias del desarrollo de la

adquisición de aprendizaje

desde la perspectiva de la

inteligencia artificial.

EP1 Representa en un lenguaje de ontología la

solución a un problema determinado.




Elaboración y guía de lenguajes de

ontologías

Ejercicios expuestos en clase ,



Lluvia de ideas

Estudio de casos

Solución de problemas

propuestos

PROYECTO PRÁCTICA

2

3. Aprendizaje automático


capaz de:

- Definir los conceptos y las tendencias actuales en el campo

de la investigación respecto a adquisición de aprendizaje

automático.

- Representar soluciones a problemas específicos haciendo uso

de la técnica de razonamiento basado en casos.

EP1 Describe en un mapa conceptual los

conceptos y tendencias del desarrollo de la

adquisición de aprendizaje desde la perspectiva

de la inteligencia artificial.

Exposición introductoria

Actividad focal introductoria

Preparar características del mapa

conceptual

Señalización y elaboración

Retroalimentación

Lluvia de ideas

Lectura comentada

Diseñar mapa conceptual

Resumen

X N/A

X

2. Razonamiento y representación de la

incertidumbre


capaz de:

- Proponer la solución a un problema en base a técnicas de

representación de la incertidumbre.

- Representar soluciones a problemas de incertidumbre

utilizando las técnicas de representación de incertidumbre

adecuadas.




Sugerir referencias electrónicas y

bibliográficas


Señalización y elaboración

Retroalimentación

Seminario de investigación

Lluvia de ideas

Lectura comentada


electrónica

Resumenes

Marcadores

Pizarrón

Videos

Bibliografía

Computadoras,

Videoproyector

N/A

N/A N/A N/A N/A

N/A

6

PROGRAMA DE ESTUDIO

DATOS GENERALES

NOMBRE DEL PROGRAMA EDUCATIVO: INGENIERÍA EN SISTEMAS COMPUTACIONALES

OBJETIVO DEL PROGRAMA EDUCATIVO: Formar profesionistas competentes para: especificar, diseñar, construir, implantar, verificar, auditar, evaluar y mantener sistemas de tecnologías de la información que respondan a las necesidades de sus usuarios, mejorando los niveles de eficiencia, eficacia y productividad de las organizaciones en el entorno globalizado, tomando en cuenta el factor humano.

TOTAL HRS. DEL CUATRIMESTRE: 90

FECHA DE EMISIÓN: Septiembre, 2012

UNIVERSIDADES PARTICIPANTES: UNIVERSIDAD POLITECNICA DE ZACATECAS, UNIVERSIDAD POLITECNICA QUERETARO, UNIVERSIDAD POLITECNICA FRANCISCO I MADERO, UNIVERSIDAD POLITECNICA TULANCINGO

NOMBRE DE LA ASIGNATURA: APLICACIONES DE INTELIGENCIA ARTIFICIAL

CLAVE DE LA ASIGNATURA: AII-ES

OBJETIVO DE LA ASIGNATURA: El alumno será capaz de aplicar técnicas de inteligencia artificial donde se transfieran situaciones del mundo real uti l izando paradigmas computacionales complejos.

OBSERVACIÓN

UNIDADES DE APRENDIZAJE RESULTADOS DE APRENDIZAJE EVIDENCIAS

TECNICAS SUGERIDAS ESPACIO EDUCATIVO MOVILIDAD FORMATIVA

MATERIALES

REQUERIDOSEQUIPOS REQUERIDOS

TOTAL DE HORAS

PARA LA ENSEÑANZA (PROFESOR)PARA EL APRENDIZAJE

(ALUMNO)AULA LABORATORIO OTRO

TEÓRICA

EVALUACIÓN

PRÁCTICA

TÉCNICA INSTRUMENTO

CONTENIDOS PARA LA FORMACIÓN ESTRATEGIA DE APRENDIZAJE

EP1 Lista de Cotejo sobre la

representación en un lenguaje

de ontología de la solución a un

problema determinado.

EP1 Desarrolla una solución para resolver un

problema haciendo uso de las técnicas de

representación de incertidumbre.







Lluvia de ideas

Estudio de casos

Desarrollar la solución a los

ejercicios propuestos

4 0 6

EP1 Lista de Cotejo para

solución a problema haciendo

uso de técnicas de


incertidumbre.

0 9 3

DocumentalComputadoras,

Videoproyector

6

N/A N/A

Bibliografía



Marcadores

Pizarrón

ED1: Expone sobre el estado del arte de las

aplicaciones en inteligencia artificial en la

ingeniería computacional.

0 9 3

0 9 3

N/A DocumentalComputadoras,

Videoproyector

Apuntes,

Bibliografia,



X X N/A N/A

Práctica "Programación de

robots académicos"

4. Ontologías


capaz de:

- Determinar las características, tipos, usos y tendencias futuras

de las ontologías.

- Proponer soluciones a problemas determinados utilizando las

reglas del lenguaje de ontologías.

5. Aplicaciones generales de la Inteligencia

Artificial


capaz de:

- Identificar los avances y retos en las aplicaciones generales de


- Determinar una solución en un lenguaje de programación de


8

6

4

ED1 Realiza práctica en un lenguaje de

programación de Inteligencia Artificial.




Señalización y elaboración,


Práctica de cierre

Lluvia de ideas

Estudio de casos


electrónica

Resumen

X X N/A N/A

Marcadores

Pizarrón

Dispositivos de

videoproyección,



Bibliografía

Computadoras,

Videoproyector

0 12

Campo

ED1 Guía de observación para

práctica: Programación de robots

académicos.

N/A N/A N/A

Bibliografía



N/A

3

FICHA TÉCNICA

APLICACIONES DE INTELIGENCIA ARTIFICIAL

Nombre: APLICACIONES DE INTELIGENCIA ARTIFICIAL

Clave: AII-ES

Justificación: Para dar solución e innovación a sistemas complejos (diversos paradigmas

computacionales).

Objetivo:

El alumno será capaz de aplicar técnicas de inteligencia artificial donde se

transfieran situaciones del mundo real utilizando paradigmas

computacionales complejos.

Habilidades:

Lectura, escritura, interlocución, síntesis de la información, aplicación de

principios tecnológicos, relaciones en y con el entorno organizacional,

relaciones interpersonales, toma de decisiones, lectura en segunda lengua,

interlocución en segunda lengua.

Competencias

genéricas a

desarrollar:

capacidades

capacidades

previsas

Análisis y síntesis, resolver problemas, aplicar los conocimientos en la

práctica, adaptarse a nuevas situaciones, cuidar la calidad, gestionar la

información, trabajar en forma autónoma y en equipo.

Capacidades a desarrollar en la asignatura Competencias a las que contribuye la

asignatura

Diagnosticar hardware/software para

proponer mejoras y/o soluciones

informáticas en la organización mediante

el análisis de tecnologías de mercado.

Plantear componentes tecnológicos para

cubrir las necesidades de la organización

mediante el establecimiento de

soluciones estratégicas de TIC’s.

Modelar funciones integrales para el

logro de las necesidades de la

organización, a través del desarrollo de la

tecnología propuesta.

Proponer infraestructura tecnológica para

establecer las bases que fundamenten una

solución informática mediante estrategias de

TIC’s.

Validar soluciones integrales de TIC’s para

satisfacer las necesidades de la organización

conforme a los estándares del mercado.

4

Probar procesos integrales para

corroborar la fiabilidad de la solución de

TIC’s desarrollada, mediante los

lineamientos y estándares establecidos

en el mercado.

Estimación de

tiempo (horas)

necesario para

transmitir el

aprendizaje al

alumno, por

Unidad de

Aprendizaje:

Unidades de aprendizaje

HORAS TEORÍA HORAS PRÁCTICA

Presencial

No

presencial

Presencial

No

presencial

1. Estado del arte de las

aplicaciones de inteligencia

artificial en la ingeniería

computacional.

4 0 6 2

2. Razonamiento y


incertidumbre

6 0 9 3

3. Aprendizaje automático 6 0 9 3

4. Ontologías 6 0 9 3

5. Aplicaciones generales de la

Inteligencia Artificial 8 0 12 4

Total de horas por

cuatrimestre: 90

Total de horas por

semana: 6

Créditos:

6

5

Nombre de la asignatura: Aplicaciones de Inteligencia Artificial

Nombre de la Unidad de

Aprendizaje: Aplicaciones Generales de la Inteligencia Artificial

Nombre de la práctica o

proyecto: Programación de robots académicos

Número: 1 Duración (horas) : 2 hrs.

Resultado de

aprendizaje:

Determinar una solución en un lenguaje de programación de la inteligencia

artificial

Requerimientos (Material

o equipo):

Equipo de cómputo

Lenguaje de programación IA

Software de simulación

Actividades a desarrollar en la práctica:

1.- El profesor recuerda al alumno la importancia de diseñar soluciones inteligentes en el menor

tiempo posible y con un grado de precisión aceptable en los casos de problemas de inteligencia

artificial

2-. El profesor muestra algunos problemas relacionados con la programación de robots

3.- El profesor organiza equipos de 2 personas para la realización de la práctica.

4.- El alumno desarrollará los ejercicios asignados en la práctica.

5.- El profesor supervisa el trabajo del alumno una vez que está terminado.

6.- El alumno documenta la salida de los ejercicios para verificar que se cumplen las

especificaciones de los mismos asignados en la práctica.

7.- El profesor supervisa el correcto funcionamiento de cada uno de los ejercicios.

Instrucciones para el alumno:

Elabore los algoritmos de solución necesarios que den solución a los problemas mencionados en las situaciones

que a continuación se describen. Una vez diseñados, codificarlos y ejecutarlos en un lenguaje de programación

de inteligencia artificial o en el simulador correspondiente.

1.- Se te entregaran 3 mapas en el software, cada uno con diferente complejidad, en cada mapa

encontrará una línea blanca que es la pista del entorno, el ejercicio consiste en que el robot siga esa

pista.

Coloque al robot al inicio de la pista y este debe seguir la línea hasta alcanzar el final. Entregue el

código y evidencia de la solución diseñada para los 3 mapas.

2.- Se te entregarán 2 laberintos en el software, cada uno con diferente complejidad, en cada laberinto

debe encontrarse la solución para escapar del laberinto. Diseñe la solución para ambos casos donde el

robot debe de encontrar la salida, de preferencia en el menor tiempo posible.

DESARROLLO DE LA PRÁCTICA O PROYECTO

“Programación de robots académicos”

6

Evidencias a las que contribuye el desarrollo de la práctica:

ED1.- Realiza práctica en un lenguaje de programación de Inteligencia Artificial.

INSTRUMENTOS DE EVALUACION

8

UNIVERSIDAD POLITÉCNICA DE ____________________

NOMBRE DE LA ASIGNATURA : APLICACIONES DE INTELIGENCIA ARTIFICIAL

INSTRUCCIONES

Revisar los documentos o actividades que se solicitan y marque en los apartados “SI” cuando la evidencia a

evaluar se cumple; en caso contrario marque “NO”. En la columna “OBSERVACIONES” ocúpela cuando tenga

que hacer comentarios referentes a lo observado.

Valor del

reactivo

Característica a cumplir (reactivo) CUMPLE OBSERVACIONES

SI NO

5% Puntualidad para iniciar y concluir la exposición.

10% Esquema de diapositiva. Colores y tamaño de letra apropiada. Sin saturar las diapositivas de texto.

5% Portada: Nombre de la escuela (logotipo), Carrera, Asignatura,

Profesor, Alumnos, Matricula, Grupo, Lugar y fecha de entrega.

10% Ortografía (cero errores ortográficos).

10% Exposición. a. Utiliza las diapositivas como apoyo, no lectura total

15% b. Desarrollo del tema fundamentado y con una secuencia

estructurada.

5% c. Organización de los integrantes del equipo.

5% d. Expresión no verbal (gestos, miradas y lenguaje corporal).

30%

Preparación de la exposición. Dominio del tema. Habla con

seguridad. Identifica claramente el estado del arte de las

aplicaciones de inteligencia artificial en la ingeniería

computacional, así como los avances y retos de las mismas.

5% Presentación y arreglo personal

100% CALIFICACIÓN:

GUÍA DE OBSERVACIÓN PARA EXPOSICIÓN DEL ESTADO DEL ARTE DE LAS

APLICACIONES EN INTELIGENCIA ARTIFICIAL EN LA INGENIERÍA COMPUTACIONAL

U1, ED1

9

INSTRUMENTOS DE EVALUACIÓN

LISTA DE COTEJO

DATOS GENERALES DEL PROCESO DE EVALUACIÓN

NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:

MATRICULA:: FECHA:

MATERIA: Aplicaciones de Inteligencia Artificial

NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:

INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en

caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar

al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.

Valor

Característica a cumplir (Reactivo)

Cumple Observaciones Si No

15%

Se determinó una solución al problema propuesto mediante un

algoritmo donde se identifica la representación de la

incertidumbre

15% Se determinó la técnica de representación de incertidumbre de

acuerdo a la naturaleza del problema a resolver

15% Se implementó el algoritmo diseñado haciendo uso de una

técnica de representación de incertidumbre

10% Se corrigieron los errores encontrados en el diseño de la

solución

20% Se realizaron las pruebas de la solución siendo exitosas todas

ellas

10% Se documentó la solución al ejercicio propuesto

15%

Se entrega el diseño de la solución planteada explicando

adecuadamente el porqué del uso de la técnica de

representación de incertidumbre elegida 100% Calificación

LISTA DE COTEJO PARA SOLUCIÓN A PROBLEMA HACIENDO USO DE TÉCNICAS

DE REPRESENTACIÓN DE LA INCERTIDUMBRE.

U2, EP1

10


LISTA DE COTEJO



MATRICULA:: FECHA:






Valor



10%

Se determinó una solución al problema propuesto mediante un

algoritmo donde se identifica claramente la representación de la

incertidumbre numérica o no numérica

10%

Se determinó la técnica de representación de incertidumbre

(numérica o no numérica) de acuerdo a la naturaleza del

problema a resolver

10%

Se implementó el algoritmo diseñado haciendo uso de la

técnica de representación de incertidumbre numérica o no

numérica


solución


ellas


15%


adecuadamente el porqué del uso de la técnica de

representación de incertidumbre numérica o no numérica

elegida

15%

Se entrega el diagrama de solución con la sintaxis de la técnica

numérica o no numérica elegida

100% Calificación

LISTA DE COTEJO PARA REPRESENTACIÓN DE LA SOLUCIÓN DEL PROBLEMA

EN EL DIAGRAMA DE LA TÉCNICA NUMÉRICA O NO NUMÉRICA DE

INCERTIDUMBRE

U2, EP2

11


LISTA DE COTEJO



MATRICULA:: FECHA:






Valor



10% En el mapa conceptual se identifican claramente los conceptos

de las aplicaciones de la inteligencia artificial

10%

En el mapa conceptual se identifican las tendencias de

desarrollo de la adquisición de aprendizaje en la inteligencia

artificial

10% En el mapa conceptual se identifican los desarrolladores y logros

en el desarrollo de la adquisición de aprendizaje en IA

10% En el mapa conceptual se identifican los avances y retos que

tiene el desarrollo de la adquisición de aprendizaje en IA

20%

En el mapa conceptual se identifican los sistemas que se han

logrado haciendo uso de los avances en la adquisición de

aprendizaje en IA

10% El mapa conceptual es entregado en una herramienta de diseño

10% El diseño del mapa conceptual es claro y fácil de entender

20%

Se explicó el mapa conceptual desarrollado de forma clara

100% Calificación

LISTA DE COTEJO DE MAPA CONCEPTUAL SOBRE LOS CONCEPTOS Y

TENDENCIAS DEL DESARROLLO DE LA ADQUISICIÓN DE APRENDIZAJE DESDE

LA PERSPECTIVA DE LA INTELIGENCIA ARTIFICIAL

U3, EP1

12


LISTA DE COTEJO



MATRICULA:: FECHA:






Valor



15% Se determinó una solución al problema propuesto donde se

identifica claramente el uso del razonamiento basado en casos

15% Se implementó el algoritmo diseñado haciendo uso de la

técnica de representación del razonamiento basado en casos


solución


ellas


15%


adecuadamente cómo se utilizó el razonamiento basado en

casos

15%

Se entrega el diagrama de solución con la representación

utilizada en el razonamiento basado en casos

100% Calificación

LISTA DE COTEJO PARA LA SOLUCIÓN DE UN PROBLEMA PLANTEADO

HACIENDO USO DEL RAZONAMIENTO BASADO EN CASOS

U3, EP2

13

Universidad Politécnica de __________________________________________________

Nombre: _________________________________________________________________

Asignatura: Aplicaciones de Inteligencia Artificial

Instrucciones: Contesta el siguiente cuestionario.

1. Determina el concepto de ontología.

2. Explica la diferencia del concepto de ontología en inteligencia artificial e ingeniería web

3. ¿Cuál es el producto de una ontología en Inteligencia artificial?

4. ¿Cuáles con las partes que conforman una ontología?

5. Explica los componentes de una ontología (axioma, clase o tipo, instancias o individuos,

relaciones, propiedades o slots, frame, conceptualización, taxonomía y vocabulario)

6. Explica la diferencia entre ontología formal y ontología informal en IA

7. Explica los tipos de ontología que existen (al menos 2 clasificaciones)

8. ¿Cuáles serían las aplicaciones de las ontologías en IA?

9. Explica el proceso general para diseñar y construir ontologías en IA

10. Explica al menos 2 metodología s para la construcción de ontologías

CUESTIONARIO SOBRE LAS CARACTERÍSTICAS, TIPOS, USOS Y TENDENCIAS

DE LAS ONTOLOGÍAS

U4, EC1

14


LISTA DE COTEJO



MATRICULA:: FECHA:






Valor



15% Se determinó una solución al problema propuesto donde se

identifica claramente el uso de ontologías

15% Se implementó la solución haciendo uso de una metodología

para la creación de ontologías


solución


ellas


15%


adecuadamente cómo se utilizó la metodología para la creación

de ontologías

15%

Se entrega la solución representada correctamente en la

metodología de creación de ontologías elegida

100% Calificación

LISTA DE COTEJO SOBRE LA REPRESENTACIÓN EN UN LENGUAJE DE

ONTOLOGÍA DE LA SOLUCIÓN A UN PROBLEMA DETERMINADO

U4, EP1

15


LISTA DE COTEJO



MATRICULA:: FECHA:






Valor



10% Se enumeran cada uno de las etapas de la robótica hasta hoy

conocidas

15%

En la línea de tiempo diseñada, en cada etapa se identifican

claramente los avances más significativos así como los inventos

destacados de ese tiempo

15% En la línea de tiempo diseñada, en cada etapa se identifican

claramente a los desarrolladores del área

15% En la línea de tiempo diseñada, en cada etapa se identifican

claramente a retos

10]% En la línea de tiempo diseñada, en cada etapa se identifican

claramente el desarrollo logrado en la robótica

10% La línea de tiempo está diseñada de manera clara y entendible

10% Se entregó en tiempo y forma la línea de tiempo

15%

Se explicó la línea de tiempo de manera satisfactoria

100% Calificación

LISTA DE COTEJO PARA LÍNEA DEL TIEMPO SOBRE LOS AVANCES Y RETOS DE

LA ROBÓTICA

U5, EP1

16

UNIVERSIDAD POLITÉCNICA DE ____________________

NOMBRE DE LA ASIGNATURA : APLICACIONES DE INTELIGENCIA ARTIFICIAL

INSTRUCCIONES

Revisar los documentos o actividades que se solicitan y marque en los apartados “SI” cuando la evidencia a

evaluar se cumple; en caso contrario marque “NO”. En la columna “OBSERVACIONES” ocúpela cuando tenga

que hacer comentarios referentes a lo observado.

Valor del

reactivo

Característica a cumplir (reactivo) CUMPLE OBSERVACIONES

SI NO

20% Las aplicaciones incluyen utilización de las técnicas de

programación de inteligencia artificial

10% Las aplicaciones fueron entregadas a tiempo y sin errores

20%

Las aplicaciones funcionan para cada uno de los casos

determinados en la práctica (seguir líneas y esquivar

obstáculos)

20% Utiliza en la solución las estructuras adecuadas

20% Implementa la funcionalidad correctamente

10% La interface está totalmente concluida y funcional

100% CALIFICACIÓN:

GUÍA DE OBSERVACIÓN PARA PRÁCTICA: PROGRAMACIÓN DE ROBOTS

ACADÉMICOS

U5, ED1

17

GLOSARIO

ACUMULACIÓN CONCEPTUAL (Conceptual Clustering)

Una forma de APRENDIZAJE POR OBSERVACIÓN basada en disponer (situaciones, hechos,

etc.) en clases caracterizadas por conceptos descriptivos simples (y no en clases definidas

por una medida de similitud preestablecida entre sus miembros, como seria en otras clases

de acumulación).

ADQUISICIÓN DE CONOCIMIENTOS

Proceso por el cual se introducen informaciones dentro de la base de conocimientos de un

sistema. Puede ser manual o automática, en este último caso hablamos de APRENDIZAJE.

ADQUISICIÓN DE FORMACIÓN DE CONCEPTO

Forma de aprendizaje en la cual el diagrama genera conceptos útiles para caracterizar una

colección dada de objetos o hechos.

ANALISIS ANALÓGICO DE MEDIOS Y FINES

Proceso de solución de problemas que opera en el ESPACIO DE PROBLEMA ANALOGICO,

obteniendo una solución a un problema nuevo gracias a la transformación de la solución de

un problema similar, usando operadores que reducen las diferencias entre descripciones de

soluciones homólogas.

ANÁLISIS DE MEDIOS Y FINES

Método de solución de problemas que en cada paso busca los operadores que más

reduzcan la diferencia entre el estado actual y un estado-objetivo conocido.

ANÁLISIS CASUAL

Seguimiento de las probables causas de eventos observados, ocasionalmente utilizado en la

ASIGNACIÓN DE CREDITOS Y CULPAS.

ANALOGÍA DERIVACIONAL

Método de solución de problemas basado en casos, en el cual se reconsideran y adecúan a

un nuevo problema las soluciones que se dieron a problemas similares.

ANTIEJEMPLO

Ente que no pertenece a la clase de que se está tratando. Puede servir para limitar la

amplitud de una GENERALIZACIÓN.

ANZA

Coprocesador neurocomputador para computadores tipo IBM (PC, AT).

APRENDER “DE MEMORIA” (ingl: Rote learning)

Aprender por memorización directa de hechos, sin generalización. (Vease:Caching).

18

APRENDIZAJE DE LA MÁQUINA

Subdominio de la inteligencia Artificial que trata del desarrollo de teorías computacionales

del aprendizaje y la construcción de sistemas con capacidad discente. En términos prácticos

decimos que ha ocurrido un proceso de aprendizaje cuando el sistema mejora su

desempeño al realzar determinada tarea, como resultado de: introducción dada por otro

sistema, o de la repetición de la misma tarea o de tareas similares.

APRENDIZAJE INDUCTIVO

Aprendizaje hecho por medio de INFERENCIAS INDUCTIVAS

APRENDIZAJE NO SUPERVISADO

Aprendizaje a partir de observación: Construcción de descripciones, hipótesis o teorías

acerca de una colección dada de hechos u observaciones en subconjuntos que

ejemplificarían los conceptos deseados.

APRENDIZAJE SUPERVISADO

Aquel en el cual las señales de entrada se acompañan de una clasificación proporcionada

por un sistema docente.

ÁRBOL DE DECISIÓN

Una RED DISCRIMINANTE con estructura absorbente.

ARQUITECTURA PARALELA

Arquitectura de hardware que contiene varios procesadores interconectados que procesan

datos simultáneamente. Las diferentes arquitecturas paralelas se pueden clasificar por la

topología de su estructura, y por la “granularidad”, o sea si contienen unos pocos

procesadores de buena potencia (grano grueso), o muchísimos (cientos o miles)

procesadores simples (grano fino); en este ultimo caso también se habla de arquitecturas

“masivamente paralelas”. Ejemplos de arquitecturas paralelas son: Matriz Sistólica, Flujo de

Datos y algunas Memorias Asociativas.

ASIGNACIÓN DE CREDITOS Y CULPAS

Identificación de los pasos (decisiones, operaciones, etc.) más responsables del éxito o

fracaso en el proceso completo de la búsqueda de un objetivo.

ATRIBUTO

Variable o descriptor usado para caracterizar un objeto o proceso, por ejemplo el color o la

duración.

AXON

Vía de salida de una neurona.

También es el nombre propio de un lenguaje descriptor de Redes Neurales comercializado

por la forma Hecht-Nielsen neurocomputing Corporation.

19

BASE DE CONOCIMIENTOS

Subsistema que representa los CONOCIMIENTOS de un dominio dado, de manera accesible

y manipulable por un “MECANISMO DE INFERENCIA”.

BLOQUES MUNDO DE LOS

Pequeño “mundo” artificial en donde existen solamente ciertos poliedros sobre una

superficie, Ha sido utilizado para desarrollar ideas sobre visión de máquina, planeamiento

de actividades y manipulación de objetos, robótica y comprensión de órdenes dadas en

lenguaje natural.

CACHING (Ingles)

Almacenaje de una respuesta a un problema frecuente para evitar la repetición de esfuerzos

anteriores. (Caso de “Saber de memoria”). Véase PRENDER DE MEMORIA.

CAPACIDAD SENSORIAL EXTEROCEPTIVA

Aquella que proporciona a un robot conocimiento de su entorno. Esta puede incluir la

medición de parámetros y la precepción de formas.

CAPACIDAD SENSORIAL PROPIOCEPTIVA

Aquella que proporciona al robot información sobre si mismo tal como posición, velocidad y

esfuerzos de sus elementos.

CASI-EJEMPLO (ingl: “near miss”)

Un ANTIEJEMPLO que es muy similar a un EJEMPLO. Los cao-ejemplos son muy útiles para

aislar rasgos importantes en el aprendizaje a partir de ejemplos.

COEFICIENTE ADAPTATIVO

Valor ponderador asociado con cada entrada de un Elemento Procesador. Normalmente los

coeficientes son ajustables en respuestas a entradas exógenas, ese proceso de ajuste se

denomina “Aprendizaje”.

COMPLICACIÓN DE CONOCIMIENTOS

Traducción de unos conocimientos desde una forma declarativa que no puede ser

directamente utilizada hacia una forma procedimental. Por ejemplo, convertir una

recomendación de “que hacer” en instrucciones precisas de cómo hacerlo.

COMPOSICIÓN

Agrupación de una secuencia de REGLAS DE PRODUCCIÓN u operadores en una sola regla u

operador.

COMPUTADOR NEURAL=Véase NEUROCOMPUTADOR

20

COMPUTADOR OPTICONCEURAL

Neurocomputador implementado con base en fenómenos ópticos como la bolografía y los

materiales con índice de refacción variable según la luz. Aún están en etapa experimental.

CONEXIONISMO

Tendencia o “escuela” en arquitectura de computadoras que da preponderancia a un gran

número de procesadores, así sean simples, muy interconectados para lograr un paralelismo

masivo en el procesamiento y para explotar propiedades que surgen en estructuras de este

tipo.

CONOCIMIENTOS

Representación simbólica de ideas, conceptos, nociones, hechos, seres, acciones, y de las

relaciones entre ese tipo de elementos que reflejan un dominio del universo físico del

mundo de las ideas.

CONTROL, ESTRATEGIA DE (o Estructura de Control)

En los sistemas con base de conocimientos, estrategia de razonamiento con la cual se

manipulan los conocimientos para resolver un problema.

CHUNKING (Ingles)

Agrupación de descripciones de bajo nivel (patrones, operadores, fines) en descripciones de

más alto nivel.

DENDRITA

Cada una de las vías de entrada de una neurona.

DEPENDENCIA CONCEPTUAL

Técnica para la comprensión de un lenguaje natural, en el cual las frases se traducen a unos

conceptos primitivos básicos.

DESCRIPCIÓN CARACTERIZANTE

Descripción de un concepto que establece las propiedades que caracteriza a todas las

ocurrencias o ejemplares de un concepto o clase (Véase también: DESCRIPCIÓN

DISCRIMINANTE).

DESCRIPCIÓN DE CONCEPTO

Estructura de datos que define un concepto describiendo la clase de todos los ejemplares

conocidos del concepto.

DESCRIPCIÓN DISCRIMINANTE

Descripción de un concepto que establece propiedades que distinguen el concepto en

cuestión de otros conceptos (Véase también DESCRIPCIÓN CARACTERIZANTE).

21

DESCRIPTOR

Atributo, función o predicado usado como concepto elemental para describir objetos o

situaciones.

DOMINIO DE UN DESCRIPTOR

Conjunto de valores admisibles que un DESCRIPTOR puede tomar como componente de una

DESCRIPCIÓN DE CONCEPTO.

ENCADENAMIENTO HACIA ADELANTE (Ingl.: Forward chaining)

Deducción de las consecuencias a partir de unas causas que se suponen verificadas.

ENCADENAMIENTO HACIA ATRÁS (Ingl.:Backward chaining)

Inducción de la carrera a partir de unas consecuencias que se suponen verificadas.

ESPACIO DE PROBLEMA ANALÓGICO

Un espacio de representación de problemas cuyos estados son descripciones de soluciones

de problemas y cuyos operadores transforman la solución de un problema en una muy

relacionada.

FLUJO DE DATOS (Ingl.: Data-Flow)

Aquella arquitectura paralela en la que cada instrucción de un programa se ejecuta tan

pronto los datos que requiere como entrada están disponibles, y el dispositivo destinatario

del resultado está preparado para recibirlo. El efecto es que se realizan muchas operaciones

simultáneas y asincrónicamente.

GENERALIZACIÓN

Ampliación de lo abarcado por la descripción de un concepto para incluir más ejemplares.

Opuesto a ESPECIALIZACIÓN.

GENERALIZACIÓN BASADA EN RESTRICCIONES

Método de generalización que explora las restricciones que unen los conceptos descriptivos

que caracterizan un ejemplo dado y produce una generalización de ese ejemplo que

satisface esas restricciones.

GENERALIZACIÓN COMPLETA

Descripción que caracteriza a todos los EJEMPLOS de una clase dada, aunque puede

también incluir algunos ANTIEJEMPLOS de esta clase.

GENERALIZACIÓN CONSISTENTE o HIPÓTESIS CONSISTENTE

Descripción de algunos o todos los EJEMPLOS de una clase, que no incluye ni un

ANTIEJEMPLO para esa clase.

22

INDUCCIÓN CONSTRUCTIVA

Un proceso de APRENDIZAJE INDUCTIVO que genera nuevos DESCRIPTORES no

proporcionados en la descripción de hechos u observaciones iniciales.

GUION (Ingl.:Seript)

Secuencia Imperativa de acciones que guía a un sistema para actuar, contiene, además de

esas acciones, las expectativas acerca de lo que normalmente ocurre en la situación típica

en que se desenvuelve el sistema.

HEURISTICA

(Sustantivo) Conocimiento imperfecto pero útil empleado en el razonamiento o la solución

de un problema. También: Regla de inferencia aproximada. Usado a veces como sinónimo

de “Regla Heurística”. (Adjetivo=)Aproximado, empírico, basada en la experiencia.

ICOT

Institute for New Generation Computing Technology: Centro Japonés de Investigación y

Desarrollo sobre los denominados “computadores de quinta generación”.

INFERENCIA ANALÓGICA

Toma de información sobre un objeto o proceso conocido de esta información a uno similar

menos conocido.

INFERENCIA DEDUCTIVA

Modo de razonamiento que realiza un ENCADENAMIENTO HACIA ADELANTE.

INFERENCIA GRAMATICAL

Forma de INFERENCIA INDUCTIVA aplicada a inferir la gramática de un lenguaje a partir de

un conjunto de expresiones consideradas “gramaticalmente correctas” (ejemplos), y, en

algunos casos, con otro conjunto de expresiones etiquetadas como “gramaticalmente

incorrectas” (antiejemplos).

INFERENCIA INDUCTIVA

Modo de razonamiento que realiza un ENCADENAMIENTO HACIA ATRÁS.

INTELIGENCIA ARTIFICIAL

Disciplina dedicada a desarrollar y aplicar enfoques computacionales al comportamiento

inteligente. Estudia preferencialmente los comportamientos y fenómenos de: percepción,

solución de problemas, razonamiento, utilización de un lenguaje natural y planeamiento de

actividades.

LENGUAJE NATURAL

Manipulación de expresiones de un idioma humano que permite a un sistema

computacional: Obedecer comandos en ese lenguaje y/o entregar resultados en él,

permitiendo un manejo del lenguaje con una libertad comparable a la que maneja un ser

humano típico (no en estructuras rígidas y muy limitadas).

23

LIPS

Unidad de medida de la velocidad de procesamiento lógico: es igual a una información

lógica por segundo. Se usan múltiples como Kilo-LIPS (=mil LIPS).

LISP

Lenguaje utilizado en INTELIGENCIA ARTIFICIAL, basado en el manejo de listas por medio de

funciones.

LÓGICA INFORMÁTICA (o Lógica Computacional)

Estudio de la lógica desde el punto de vista del uso del computador para el cálculo lógico. Se

puede dividir en tres áreas principales: Técnicas de verificación de programas, Lenguajes de

programación lógica (tipo PROLOG), y la modelización de los procesos de razonamiento.

MACRO-OPERADOR

Operador compuesto de una secuencia de operadores más primitivos. Unos macro-

operadores apropiados pueden simplificar la solución de problemas permitiendo una

búsqueda de más alto nivel.

MARCO (Ingl: Frame)

Estructura de datos con casillas (Ingl: slota) a las cuales se pueden vincular otras

estructuras. Normalmente las casillas poseen valores asumidos por omisión que se pueden

reemplazar por valores específicos. Los marcos permiten representar las clasificaciones

jerárquicas y la herencia de características entre objetos: además permite trabajar con

“orientación a objetos”. Es una estructura de datos muy utilizada en las investigaciones y

aplicaciones de inteligencia Artificial.

MATRIZ SISTOLICA (Ingl: Systolic Array)

Aquella arquitectura paralela cuyos procesadores, denominados “celdas”, están

interconectados según un patrón regular (por ejemplo en malla cuadrada o hexagonal y no

en “bus de datos”. En su conjunto las celdas implementan un algoritmo computando

sincrónicamente y pasándose datos entre sí.

MECANISMO DE INFERENCIA

En un sistema con Base de Conocimientos: Subsistema que se encarga de manipular los

conocimientos, por ejemplo activando reglas, para inferir otros conocimientos.

MEDIOS-FINES=(Véase: análisis de Medios y Fines)

MEMORIA ASOCIATIVA

Dispositivo que localiza un conjunto completo de datos al suministrarle un elemento parcial

de ese conjunto, o sea que no hay necesidad de suministrar una dirección o coordenada

como en las memorias convencionales. También suele denominarse “memoria direccionable

por contenido” (Ingl: Content-addressable Memory). Puede estar implementada como

arquitectura paralela.

24

MEMORIA DIRECCIONABLE POR CONTENIDO = Véase: Memoria Asociativa.

METACONOCIMIENTO

Conocimientos sobre el conocimiento sobre un dominio.

METARREGLAS

Reglas sobre las reglas aplicables a un dominio. Indican, por ejemplo el orden de prioridad

en que deben utilizarse las reglas del dominio de aplicación.

MÉTODOS DEBILES

Métodos generales de solución de problemas, aplicables en ausencia de conocimientos

específicos del dominio del problema. (Ejemplo: ANALISIS DE MEDIOS/FINES).

MICROPROGRAMADO

Dícese del computador cuyo control de flujo de señales, al nivel bajo o de máquina, está

establecido por un programa, en vez de estarlo por conexiones físicas fijas. Este programa,

denominado “microcódigo”, puede permitir que la máquina acepte un lenguaje como LISP o

PROLOG.

MOTOR DE INFERENCIA = (Véase MECANISMO DE INFERENCIA)

NETWARE

Módulo de código programado en AXON (=Véase), compilado o no.

NEUROCOMUTADOR

Computador cuya estructura fundamental tiene forma de RED NEURAL. Puede estar

implementado para funcionar independientemente, o como coprocesador residente en un

computador ANFITRION (Ingl:Host). En principio puede estar basado en dispositivos

electrónicos, ópticos o electroquímicos.

NEURODINÁMICA

En la teoría de Redes Neurales es la descripción detallada del funcionamiento de una Red

Neural. Comprende: 1) La función matemática según la cual se ponderan y suman (o

integran) los estados de las entradas en cada neurona; 2) la función de transferencia según

la cual se denomina el estado de la salida de la neurona con base en la suma ponderada de

las entradas; y 3) Las reglas de Aprendizaje. Se puede expresar la neurodinámica con

ecuaciones diferenciales.

NEURODO = Véase Neurona artificial.

NEURONA ARTIFICIAL

Elemento procesador que constituye un nodo de una Red Neural. Posee varias vías de

entrada (dendritas) y una vía de salida (axón). Cada dendrita puede transmitir estados del

mundo exterior a la Red Neural, o provenir la salida de otro elemento procesador de la red, o

puede ser función del estado de la salida de la misma Neurona (realimentación).

25

El Azón puede ramificarse para conectarse a la entrada de otros elementos procesadores o

puede ir a otro dispositivo que sirva de salida desde la Red al mundo exterior.

El estado de la salida de una neurona artificial es función de los estados de las entradas,

generalmente basada en una suma ponderada de las entradas.

OPERACIONALIZACIÓN DE CONOCIMIENTOS = Véase COMPILACIÓN CONOCIMIENTOS.

PIZARRA, ARQUITECTURA DE (Ingl. = Blackboard architectura).

Arquitectura para la solución de problemas en la cual varios agentes resuelven

cooperativamente el problema, aportando sus diversas habilidades a un área de

almacenamiento común denominada PIZARRA (Pizarrón, Tablero), donde va tomando forma

la solución. Este método al parecer fue usado por primera vez en los programas HEARSAY.

PIZARRÓN = Véase PIZARRA

PROGRAMACIÓN A NIVEL OBJETIVO

Aquella en la que se basta con especificar el objetivo final omitiendo la especificación de

estados intermedios.

PROGRAMACIÓN A NIVEL ROBOT (o EXPLICITA)

Aquella en la que el programa determina en gran detalle la secuencia de configuraciones de:

robot, al contener sentencias que especifican el movimiento y elementos de información

provenientes del entorno.

PROGRAMACIÓN A NIVEL TAREA (IMPLICITA o A NIVEL OBJETO)

Aquella hecha en un lenguaje de alto nivel con el cual se puede especificar tareas en

términos de relaciones de posición entre las piezas a manipular, en lugar de detallarlas en

función de configuraciones específicas de: manipulador.

PROGRAMACIÓN AUTOMÁTICA

Disciplina sobre cómo crear programas de computador de nominados “Generadores de

Aplicaciones” los cuales, a su vez, escriben otros programas de computador. Los programas

se especifican al Generador de Aplicación en un lenguaje de “más alto nivel”.

PROGRAMACIÓN POR GUIADO (O GESTUAL)

Mundo de control manual que permite a un operador que permite a un operador mover las

distintas partes de un robot, de modo que este es guiado a través de las distintas

secuencias de movimiento necesarias para realizar la tarea. El sistema de control conserva

en una memoria las posiciones para su posterior reproducción.

PROGRAMACIÓN TEXTUAL

Programación mediante un texto en un lenguaje especial. En robótica, ese lenguaje además

de tener los elementos comunes a los lenguajes de programación, incluye órdenes para el

control de los movimientos del robot. Se utiliza como complemento a la Programación por

Guiado.

26

PROLOG

Lenguaje de programación “lógica” basado en el cálculo de predicados.

QUINTA GENERACIÓN

Adjetivo para designar computadores cuya arquitectura de hardware paralela se aparta de la

concebida por Von Neumann, y que implementan preferentemente aplicaciones de

Inteligencia Artificial.

Tipo de computadores definido en el proyecto japonés del mismo nombre (o computadores

de “Nueva Generación”), a comienzos del decenio de 1980. Son máquinas optimizadas para

procesamiento simbólico (no numérico), inteligencia artificial, Sistemas con Bases de

Conocimientos (Sistemas Expertos), y leguajes de tipo LISP y tipo PROLOG.

RED NEUTRAL = (Véase: Red Neuronal)

RED NEURONAL (ARTIFICIAL)

Estructura en forma de red constituida por unos elementos procesadores interconectados

denominados neuronas. Los principales factores que definen una red neuronal son: la

estructura de cada neurona, la neurodinámica y la topología de las conexiones entre los

elementos procesadores. Para cada de cada uno de esos factores existen variantes, como

las denominadas: Perceptrón, Adaline, Padaline, etc. Una Red Neuronal puede estar

implementada físicamente (NEUROCOMPUTADOR) o estar simulada por software en un

computador digital convencional.

La Red Neuronal es un sistema adaptativo que puede modificar los parámetros de las

ecuaciones que rigen su comportamiento; por esta propiedad, su principal utilidad está en:

el aprendizaje, el reconocimiento y clasificación de patrones y la búsqueda de soluciones

optimas a problemas combinatorios.

Se puede considerar en síntesis que una Red Neural Artificial realiza un mapeado continuo

desde un espacio n-dimensional a uno m-dimensional, auto-ajustándose a partir de un

conjunto de ejemplos de la acción que debe cumplir del mapeado.

RED NEUROMORFA = Véase RED NEURONAL

RED SEMÁNTICA

Conjunto de objetos o nodos relacionados por atributos o arcos.

REGLAS DE APRENDIZAJE

En la teoría de Redes Neurales es la descripción de cómo se van modificando los

parámetros y, en consecuencia, el comportamiento de una Red Neural como resultado del

funcionamiento de la red durante la etapa de entrenamiento o aprendizaje.

REGLA DE INFERENCIA

Regla que produce aserciones nuevas a partir de viejas.

REGLA DE PRODUCCIÓN

27

Regla conción/acción que establece las acciones a ser ejecutadas si las condiciones se

satisfacen.

RESTRICCIÓN

Propiedad o relación que limita o restringe el espacio de posibles soluciones a un problema.

ROBOT INDUSTRIAL

Manipulador reprogramable multifuncional, diseñado para mover piezas, herramientas o

dispositivos especiales mediante movimientos variados, programados para la ejecución de

tareas diversas. (Asociación Robótica de América).

ROBÓTICA

Conjunto de conocimientos teóricos y prácticos que permiten concebir, realizar y

automatizar sistemas basados en estructuras mecánicas poliarticuladas, dotadas de un

determinado grado de “inteligencia” y destinadas a la producción industrial o a la sustitución

del hombre en muy diversas tareas. Un sistema robótico puede describirse en el límite como

aquel que es capaz de recibir información, de comprender su esfuerzo a través de modelos,

de formular y ejecutar planes, de controlar o supervisar su operación. La robótica es

pluridisciplinar y se apoya en gran medida sobre los programas de la microelectrónica y la

microinformática, así como de disciplinas como el reconocimiento de formas y la Inteligencia

artificial.

SEXTA GENERACION

Tipo de computador definido a fines del decenio de 1980 por el proyecto del mismo nombre.

Máquinas que emulan el proceso de información en sistemas o redes neuronales como los

cerebros biológicos. Se caracterizan por un paralelismo Masivo, aprendizaje de la máquina

adaptabilidad, MEMORIA ASOCIATIVA (=Véase).

SISTEMA ADAPTATIVO

Sistema de control o de reconocimiento de patrones que logra mejorar su desempeño

ajustando automáticamente parámetros internos.

SISTEMA BASADO EN CONOCIMIENTOS = (Véase: SISTEMA CON BASE DE CONOCIMIENTOS).

SISTEMA CON BASE DE CONOCIMIENTOS

Sistema computacional que utiliza un “mecanismo de inferencia” y una “Base de

Conocimientos” para la solución de problemas”.

SISTEMA DE PRODUCCIÓN

Sistema de inferencia compuesto de: un conjunto de REGLAS DE PRODUCCIÓN, una

memoria de trabajo y una estructura de control.

TOMA DE CONSEJO

Forma de aprendizaje en la cual el sistema discente modifica su comportamiento según

“consejos” declarativos dados por un sistema docente.

28

SOLUCIONADOR GENERAL DE PROBLEMAS (Ingl. = General Problem Solver, GPS).

Programa clásico de I.A. desarrollado por 1957 utilizando un método de “análisis de medios

y fines”.

TABLERO = Véase PIZARRA.

UISL

“User intorface Subroutine Library”: Conjunto de subrutinas que dan acceso a todas las

funciones de un neurocomputador ANZA (=Véase), invocándolas desde aplicaciones del

usuario.

VON-NEUMAN:

Adjetivo aplicado a la arquitectura tradicional de los computadores digitales con: Programa

almacenado en una memoria similar o igual a la memoria de datos, y con ejecución

secuencial de instrucciones.

29

BIBLIOGRAFÍA

Básica

TÍTULO: INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA INGENIERIA

AUTOR: PONCE, Pedro

AÑO: 2010

EDITORIAL O

REFERENCIA: Alfa Omega Ra-Ma

LUGAR Y AÑO DE LA

EDICIÓN México, 2010

ISBN O REGISTRO: 9788448156183

TÍTULO: INTELIGENCIA ARTIFICIAL. TECNICAS, METODOS Y APLICACIONES.

AUTOR: MARÍN, Roque

AÑO: 2008

EDITORIAL O

REFERENCIA: Mc Graw Hill

LUGAR Y AÑO DE LA

EDICIÓN España, 1a. Edición. 2008


TÍTULO: INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA INGENIERIA

AUTOR: RIVERO Roger

AÑO: 2011

EDITORIAL O

REFERENCIA: AlfaOmega

LUGAR Y AÑO DE LA

EDICIÓN México, 1a. Edición, 2011


30

Complementaria

TÍTULO: ARTIFICIAL INTELLIGENCE, A MODERN APPROACH

AUTOR: RUSSEL, Stuart; Norving, Peter

AÑO: 2009

EDITORIAL O

REFERENCIA: Pearson Education

LUGAR Y AÑO DE LA

EDICIÓN EUA, 3a Edition, 2009


TÍTULO: INTELIGENCIA ARTIFICIAL: UNA APROXIMACION (Edición en español)

AUTOR: TORRES Soler Luis Carlos y Néstor Manuel Garzón Torres

AÑO: 2012

EDITORIAL O

REFERENCIA: Editorial Académica Española

LUGAR Y AÑO DE LA

EDICIÓN España, 1a. Edición, 2012


TÍTULO:

Advances in Artificial Intelligence: 14th Conference of the Spanish

Association for Artificial Intelligence, CAEPIA 2011, La Laguna, Spain.

Notes in Artificial Intelligence

AUTOR:

LOZANO José A. (Editor), José A. Gámez (Editor), José A. Moreno-Pérez (Editor)

AÑO: 2011

EDITORIAL O

REFERENCIA: Springer

LUGAR Y AÑO DE LA

EDICIÓN México, 1a. Edición, 2011


http://www.gandhi.com.mx/index.cfm/id/Busqueda/source/SearchResults/categoria/libros/criteria/JOHN%20HAUGELAND

guÍa del profesor - plataforma educativa moodle...

Documents