slabointeligenciaartificial2015 2016versionslideshare 150415121945 conversion gate01

7/23/2019 Slabointeligenciaartificial2015 2016versionslideshare 150415121945 Conversion Gate01

1/22

Programa de Estudios de AsignaturaUniversidad Laica Eloy Alfaro de Manab

FACULTAD DE CIENCIAS INFORMTICAS

A. Cdigo de Asignatura: C5-06 B. Asignatura: Inteligencia Artifcial

C. Facultad: Ciencias Inormticas D. Carrera: Ingeniera en !istemas". #nidad de $rgani%acin Curricular: Formacin &roesional F. &erodo Acad'mico: (0)5- (0)6*. +odalidad: Anual ,. Curso: uinto

I. Cr'ditos: 6. &roesor /esonsa1le de la Asignatura: Ing. orge I2n

&inca3 &once

4. ,oras: )( . &roesores: Ing. orge I2n &inca3 &once+.,oras de clase: 7ericas: 86.50 &rcticas: 8.50 9. ,oras Autnomas: 6 &resenciales: 0 irtuales:6

1. Prerrequisitos y Correquisitos:

Prerrequisitos CorrequisitosAsignatura Cdigo Asignatura Cdigo

Ninguno Ninguno

2. Descripcin de la Asignatura:

La Inteligencia Artificial (IA) es un campo relativamente heterogneo que generalmente se acompaa de lgica, probabilidad matem!ticas"de percepcin, ra#onamiento, aprendi#a$e accin% &ales elementos le acreditan como ciencia e ingenier'a de los sistemas artificiales queacten (piensen) como los seres humanos% esde hace algunos aos esta clase de sistemas se denominan *agentes*, especialmentecuando poseen caracter'sticas de autonom'a reactividad% La aplicabilidad de la IA es e+tensa esta asignatura se concentra en lodetallado como ob$etivos espec'ficos de las misma (unto -), la asignatura tiene un car!cter m!s informativo que formativo, es decir, sepretende que el alumno tome contacto con las tcnicas sin entrar en los detalles de los modelos tericos que dan fundamento a las mismas%

3. Objetivos spec!"icos de la Asignatura:

Anali#ar conceptos de IA, sistemas .+pertos algoritmos de bsquedas informadas desinformadas% Argumentar la valide# de un ra#onamiento lgico por medio de la lgica formal lgica de primer orden% Aplicar evaluar soluciones de problemas en base a modelos de sistemas basados en conocimiento sistemas difusos%


2/22



isear soluciones a problemas reales /o hipotticos de miner'a de datos aprendi#a$e autom!tico empleando algoritmos de miner'ade datos%

#. $esultados de Aprendi%aje de la Asignatura:

Anali#a conceptos de IA, sistemas .+pertos algoritmos de bsquedas informadas desinformadas asociados a la resolucin deproblemas%

Argumenta la valide# de un ra#onamiento lgico por medio de la lgica formal lgica de primer orden%

Aplica evala soluciones de problemas en base a modelos de sistemas basados en conocimiento sistemas difusos%

isea soluciones a problemas reales /o hipotticos de miner'a de datos aprendi#a$e autom!tico empleando algoritmos de miner'a de

datos%

5. Co&petencias 'en(ricas de la Asignatura:

0apacidad de abstraccin, an!lisis s'ntesis 1abilidades en el uso de las tecnolog'as de la informacin de la comunicacin 1abilidades para buscar, procesar anali#ar informacin procedente de fuentes diversas 0apacidad para identificar, plantear resolver problemas 0apacidad para tomar decisiones

). Co&petencias spec!"icas de la Asignatura:

CO*P+,C-A P$O/-O,A0 PC/-CA CP

0.2 esarrolla e implementa soft3are, para brindar soluciones empresariales, sociales, multimedia automatismo, en diversasarquitecturas tecnolog'as, teniendo en cuenta la especificacin de requisitos del sistema, su an!lisis, diseo, construccin pruebas, as' como su implementacin mantenimiento, para asegurar la disponibilidad, confidencialidad, integridad, seguridad,


3/22



funcionalidad de la informacin%

CO*P+,C-A P$O/-O,A0 45-CA CP4

(04)2 5odela simula problemas procesos asociados a sistemas inform!ticos numricos, aplicando principios matem!ticos, f'sicos,estad'sticos computacionales, que describa el comportamiento operacin de las soluciones inform!ticas numricas requeridas%

6. 7nidades Curriculares:

7.1. ,O*4$ D 0A 7,-DAD: Introduccin a la inteligencia artificial a las tcnicas de solucin de problemas en IA%$70+ADO D AP$,D-8A9 D 0A 7,-DAD: Anali#a conceptos de IA, sistemas .+pertos algoritmos de bsquedas informadas desinformadas%

Contenidosoras Clase oras

de+utor!a

oras de+rabajo

Autno&o

Actividades de +rabajo Autno&o-ncluidas las actividades de investigacin y de

vinculacin con la sociedad

*ecanis&osde valuacin+eri;

casPr /oro en aula virtual: 7Las mega tendencias tecnolgicasactuales su impacto en la identificacin en lasoportunidades estratgicas de negocios2 InteligenciaArtificial8, 9:u aprendi;, 9:u desaprendi;, onga lascosas en perspectiva, debata ideas%

/uente base:. AL4


4/22



Inteligencia Artificial% isponible desde

http2//es%slideshare%net/$pinca/megatendenciasFdeFlaFinteligenciaFartifi

4ibliotecas virtuales al servicio de la DL.A5

debata ideas%

esi

n =2 9:u es un @istema

.+perto;, 0aracter'sticas,

.lementos Centa$as de un @istema

.+perto Aplicaciones de sistemas

e+pertos

Lengua$es, 1erramientas @1.LL@

1 1

esin =3=epresentacin de problemasmediante bsquedasdesinformadas% 4squeda en profundidad 4squeda en profundidad

iterativa

1 1 ?@>?

An!lisis de video$uegos donde se aplican tcnicas deresolucin de problemas con bsquedas%

/uentes reco&endadas:DL6, Nilsson and EAN 5atus#nsGi" Logic, rogramming Androlog% @egunda .dicin H% isponible enhttp2//333%ida%liu%se/Julfni/lpp http2//333%slideshare%net/$pinca/lgicaFprogramacinFFprologFlogicFprogrammingFandFprolog% !g - K M%

4=A&? An!lisis de video$uegos donde se aplican tcnicas deresolucin de problemas con bsquedas%

/uentes reco&endadas:DL6, Nilsson and EAN 5atus#nsGi" Logic, rogramming And

Anali#aalgoritmos debsquedasinformadas desinformadas
http://es.slideshare.net/jpincay/megatendencias-de-la-inteligencia-artifihttp://es.slideshare.net/jpincay/megatendencias-de-la-inteligencia-artifihttp://www.slideshare.net/jpincay/lgica-programacin-y-prolog-logic-programming-and-prolog.%20P%C3%A1g%203%20%E2%80%93%2016http://www.slideshare.net/jpincay/lgica-programacin-y-prolog-logic-programming-and-prolog.%20P%C3%A1g%203%20%E2%80%93%2016http://es.slideshare.net/jpincay/megatendencias-de-la-inteligencia-artifihttp://es.slideshare.net/jpincay/megatendencias-de-la-inteligencia-artifihttp://www.slideshare.net/jpincay/lgica-programacin-y-prolog-logic-programming-and-prolog.%20P%C3%A1g%203%20%E2%80%93%2016http://www.slideshare.net/jpincay/lgica-programacin-y-prolog-logic-programming-and-prolog.%20P%C3%A1g%203%20%E2%80%93%2016


5/22



rolog% @egunda .dicin H% isponible en

http2//333%ida%liu%se/Julfni/lpp http2//333%slideshare%net/$pinca/lgicaFprogramacinFFprologFlogicFprogrammingFandFprolog% !g - K M%

4=A&=epresentacin de problemas

mediante bsquedasdesinformadas% 4squeda bidireccional

1 1 ?@>?

An

!lisis de video$uegos donde se aplican tcnicas deresolucin de problemas con bsquedas%


4=A&? An!lisis de video$uegos donde se aplican tcnicas deresolucin de problemas con bsquedas%


4=A&


6/22



OPQFF-HFRPRMFM% !g% HQ K HOO, - K -P%

esin = 6=epresentacin de problemasmediante bsquedasinformadas 4squeda ASroblemas de @atisfaccin derestricciones

1 1 ?@>?



4=A&?



4=A&


7/22



orden de forma clara ordenada

Contenidos1oras 0lase oras

de+utor!a

oras de+rabajo

Autno&o



*ecanis&osde valuacin&eriF

casr!cFticas

esin = B0


8/22



@implificacin disuntiva,

=esolucin)%esin =1>.ncadenamiento haciaadelante hacia atr!s%&ableau+ @em!nticos%

1

esin =1>0


9/22



7.3.,O*4$ D 0A 7,-DAD: @istemas basados en conocimiento sistemas difusos$70+ADO D AP$,D-8A9 D 0A 7,-DAD:Aplica evala soluciones de problemas en base a modelos de sistemas basados enconocimiento sistemas difusos%

Contenidosoras Clase oras

de+utor!a

oras de+rabajo

Autno&o



*ecanis&osde valuacin+eri;

casPr


10/22



de un Art'culo empleando

metodolog'a I5=(Introduccin, 5ateriales,=esultados iscusin) sobreaplicaciones de la lgicadifusa%An!lisis de art'culos en clases&ips de elaboracin de cadaparte del art'culo (segnmetodolog'a I5=)

/uentes reco&endadas:4ibliotecas virtuales al servicio de la DL.A5

empleandometodolog'a

I5=

Total 1#*+ODO0O'A D AP$,D-8A9:An!lisis bibliogr!fico, c'rculos de lectura, estudio de casos, foros$C7$O D-D5C+-CO: te+to gu'a, art'culos cient'ficos disponibles en las bibliotecas virtuales al servicio de la DL.A5, I. de @VI rolog%

7.#.,O*4$ D 0A 7,-DAD:5iner'a de datos aprendi#a$e autom!tico%$70+ADO D AP$,D-8A9 D 0A 7,-DAD: isea soluciones a problemas reales /o hipotticos de miner'a de datos aprendi#a$eautom!tico empleando algoritmos de miner'a de datos%

Contenidosoras Clase

oras+utor!a

oras+rabajo

Autno&o

Actividades de trabajo Autno&o-ncluidas las actividades de investigacin y de


videncias devaluacin+eri;

casPr


11/22



Algoritmos de regresin

lineal Algoritmos de regresin

log'stica Algoritmos de 4aes naive Algoritmos de red

neuronal Algoritmos de clustering

de secuencia Algoritmos de serie

temporalesin =33@ =3#.@&=D0&D=A@ . 5IN.=UA

. A&


12/22



de miner'a de datos Calores ausentes @eleccin de

caracter'sticas (miner'a dedatos)

5arcas de modelado(5iner'a de datos)

0ontenido del modelo deminer'a de datos


13/22



A&


14/22



ata 5ining% .dicin Eune HH% isponible en2

https2//msdn%microsoft%com/enFus/librar/bbMPPHM%asp+

4=A& @oluciones intermedias de

miner'a de datosempleando2 modelo deserie temporal, modelo deasociacin, modelo deagrupacin en clsteresde secuencia, redneuronal, regresinlog'stica para laspredicciones%

1 > 1>

isea soluciones hipotticas intermedias de miner'a dedatos empleando2 modelo de serie temporal, modelo deasociacin, modelo de agrupacin en clsteres de secuencia,

red neuronal, regresin log'stica en problemas como elan!lisis del comportamiento de compra de los clientes eidentificacin de compradores potenciales%

/uentes reco&endadas:5I0=


15/22



de miner'a de datos con

5X

medir la precisin de los modelos de miner'a de datos%

/uentes reco&endadas:5I0=? 1@>? 1? /uentes reco&endadas:.N&A1< 0


16/22



@olutions 3ith entaho ata Integration% .ditorial Vile

ublishing H, Indianapolis, Indiana% isponible en2http2//333%slideshare%net/$pinca/pentahoFGettleFsolutionsFbuildingFopenFsourceFetlFsolutionsF3ithFpentahoFdataFintegrationpentahoFGettleFsolutions

N 21@> >?*+ODO0O'A D AP$,D-8A9:An!lisis bibliogr!fico, c'rculos de lectura, estudio de casos$C7$O D-D5C+-CO: te+to gu'a, .ntorno para an!lisis del conocimiento de la Dniversidad de VaiGato (V.A), 4usiness Intelligence evelopment

@tudio (4I@), 4usiness Intelligence entaho (


17/22



ra#onamientos bas!ndose en la lgica de predicados%

Aplica evala soluciones de problemas en base amodelos de sistemas basados en conocimiento sistemasdifusos%

5.IA =esuelve problemas de factores de certe#a 50IN,

probabil'sticos problemas b!sicos de incertidumbre%

isea soluciones a problemas reales /o hipotticos deminer'a de datos aprendi#a$e autom!tico empleandoalgoritmos de miner'a de datos%

AL&A .l alumno disea soluciones hipotticas b!sicas deminer'a de datos empleando agrupacin en clsteres,!rboles de decisin 4aes Naive en problemas comoan!lisis prediccin de comportamiento de compra delos clientes%

.l alumno disea soluciones hipotticas intermedias de

miner'a de datos empleando2 modelo de serie temporal,modelo de asociacin, modelo de agrupacin enclsteres de secuencia, red neuronal, regresin log'sticaen problemas como el an!lisis del comportamiento decompra de los clientes e identificacin de compradorespotenciales%

.l alumno crea consulta modelos de miner'a de datospara la prediccin de tendencias, recuperar patrones enlos datos medir la precisin de los modelos de miner'ade datos%

9. Evaluacin del Estudiante !or "esultados de A!rendi#a$e%

&nstrumentosPrimer Parcial

' (Puntos)*egundo Parcial

' (Puntos)*egundo Parcial

' (Puntos)"2aluacin escrita o rctica; arcial o fnal (0< (0< (0o 2irtual (0< (0< (0>.ida.liu.se>Eulni>l 3 @tt:>>[email protected]>=inca3>lgica-rogramacin-3-rolog-logic-rogramming-and-rolog

@tt:>>.ida.liu.se>Eulni>l

LDT.=, Teorge and @&D44L.6I.L Villiam% AI Algorithms, ata @tructures, and Idioms in rolog, Lips, and Eava%.ditorial earson .duaction HO% isponible en @tt:>>.ida.liu.se>Eulni>l 3@tt:>>[email protected]>=inca3>lgica-rogramacin-3-rolog-logic-rogramming-and-rolog

@tt:>>.ida.liu.se>Eulni>l

N>raidminer.com

0A@&.=, 5at" 4


20/22



me$or% 4squeda vora#% 4squeda AS% roblemas

de @atisfaccin de restricciones

D%H% 0omputacin basada en Lgica 6ormal%Lgica de predicados% =epresentacin orientada a


21/22



Le de proposiciones bicondicionales,

.+portacin, &ransposicin o le delcontrarrec'proco, @ilogismo hipottico, Implicacinmaterial, istributiva, Absorcin, @ilogismodisuntivo, Adicin, Ad$uncin, @implificacin,0on$uncin, oble negacin, @implificacindisuntiva, =esolucin)%

. AL4


22/22



de programacin, control de bacGtracGing%

predicadosN

slabointeligenciaartificial2015 2016versionslideshare 150415121945 conversion gate01

Documents