w0 i9a inteligenciaartificial
TRANSCRIPT
1
SÍLABO DE W0I9 INTELIGENCIA ARTIFICIAL
2014-1
1. DATOS GENERALES Facultad: Ingeniería de Sistemas y Electrónica
Carrera: Ingeniería Mecatrónica
Número de créditos: 3 Coordinador: Alberto Alvarado Rivera Requisitos: Control III
2. FUNDAMENTACIÓN Esta asignatura se fundamenta porque permitirá que el estudiante aprenda nuevos algoritmos
para el reconocimiento de patrones, basado en la teoría de las redes neuronales artificiales.
Asimismo, aprenderá el uso de una teoría alternativa de control de procesos a través de los
conceptos de lógica difusa.
3. SUMILLA Introducción a la Inteligencia Artificial: Sistemas Expertos, Lógica Difusa, Algoritmos Genéticos. Redes Neuronales: Características, Elementos Básicos y Aplicaciones. Fundamentos de Neurona Biológica y Artificial. Procesamiento Neuronal. Tipos de Arquitectura. Tipos de Aprendizaje. Reglas de Aprendizaje. Aplicaciones Reales tales como Control de Calidad, Visión Robot entre otras
4. LOGROS DE APRENDIZAJE Al término de la asignatura el alumno podrá aplicar diversas topologías de redes neuronales en
la solución de problemas de ingeniería, así como desarrollar proyectos relacionados a su carrera.
Además esta disciplina brinda al alumno los conocimientos de Lógica difusa y Algoritmos
Genéticos para la solución de problemas de sistemas de control, optimización, etc.
5. CONTENIDOS
Redes Neuronales , principios y aplicaciones básicas
Semana: 1, 2, 3,4,5
Redes Multicapa, autoorganizadas Semana: 6, 7 y 8, 9, 10
Lógica Difusa Semana: 11, 12, 13 y 14
6. METODOLOGÍA Se dictarán clases teóricas con ayudas audiovisuales, así como experiencias de laboratorio para
complementar la parte teórica, asimismo, se usará referencias bibliográficas y separatas para
algunos temas específicos
2
7. SISTEMA DE EVALUACIÓN
El Promedio Final del curso será:
0.1PC1 + 0.1PC2 + 0.2PC3 + 0.2PL + 0.4EF
PC1 es Práctica Calificada Grupal de 4 Estudiantes
PC2 y PC3 son Prácticas Calificadas Individuales
PL es Promedio de Laboratorios Calificados ([LC1 + LC2 + LC3] / 3)
EF es Examen Final
Nota:
Solo se podrá rezagar el Examen Final.
El examen rezagado incluye los contenidos de todo el curso.
No se elimina ninguna Práctica Calificada.
La nota mínima aprobatoria es 12. 8. FUENTES DE INFORMACIÓN
Bibliografía Base: Bonifacio, Martín Del Brio. “Redes Neuronales y Sistemas Borrosos”.
Demuth, Howard; Hagan Martin “Neural Network TOOLBOX”. and Beale
Bibliografía Complementaria: Passino Kevin M. Yurkovich Stephen. “Fuzzy Control”.
Haykin, Simon. “Neural Networks. A Comprehensive Foundation”.
9. CRONOGRAMA DE ACTIVIDADES
Semana Contenidos o temas Actividad
Semana 1
Introducción al Curso: Redes
Neuronales, Lógica Difusa y Algoritmos
Genéticos.
Intervenciones en clase, ejemplos y propuesta de ejercicios aplicativos.
Semana 2
Fundamentos Biológicos de Neurona,
inspiración biológica para las Redes
neuronales. Procesamiento Neuronal
biológico y artificial.
Intervenciones en clase, ejemplos y propuesta de ejercicios aplicativos.
Semana 3
Redes neuronales: Conceptos,
características, topologías. Tipos de
enteramiento, funciones de
transferencia. Aplicaciones industriales
y control de calidad. Ejercicios.
Introducción a la Red Perceptron
Simple. Característica, topología,
Intervenciones en clase, ejemplos y propuesta de ejercicios aplicativos.
3
función de Trasnferencia.
Semana 4
Red perceptron, algoritmo de
aprendizaje, aplicaciones como
clasificadores.
Limitaciones ejemplo XOR. Ejercicios
Intervenciones en clase, ejemplos y propuesta de ejercicios aplicativos.
Semana 5
Red Neuronal Lineal: ADALINE.
Arquitectura, Algoritmo de aprendizaje.
Aplicaciones como aproximador lineal
de funciones y filtro adaptativo.
Ejercicios
Limitaciones de da la Red Neuronal
Lineal y propuesta de una Red Neuronal
MLP.
Practica calificada 1
Semana 6
Red Neuronal Perceptron Multicapa
(MLP): Necesidad de su creación,
Arquitectura, Topologías, Función de
transferencia, limitaciones. Algoritmo
Least Mean Square y Back Propagation.
Intervenciones en clase, ejemplos y
propuesta de ejercicios aplicativos.
Laboratorio Calificado 1– Grupo A
Semana 7
Aplicaciones como aproximador
universal de funciones, clasificador de
padrones (Ej. Nariz electrónica),
clasificador de riesgo financiero.
Ejercicios
Intervenciones en clase, ejemplos y
propuesta de ejercicios aplicativos.
Laboratorio Calificado 1– Grupo B
Semana 8
Redes Auotorganizadas: Conceptos de
Neurociencia de Autoorganización
cerebral. Redes Neuronal
Autooganizada (Kohone). Arquitectura,
Algoritmo de aprendizaje. Aplicaciones
como reductor de dimensiones para
datos de Visión Artificial.
Practica calificada 2.
Semana 9
Redes Auotorganizadas: Ejercicios de
aplicación como compresor de
imágenes, clustering de información.
Intervenciones en clase, ejemplos y
propuesta de ejercicios aplicativos.
Laboratorio Calificado 2– Grupo A
Semana 10
Redes neuronales Radial Basic.
Arquitectura, Algoritmo de aprendizaje,
ventajas, desventajas. Aplicaciones
Intervenciones en clase, ejemplos y
propuesta de ejercicios aplicativos.
4
como aproximador de funciones.
Comparación con la red MLP.
Laboratorio Calificado 2– Grupo B
Semana 11
Lógica Difusa: Introducción. Conjuntos
borrosos, variables lingüísticas.
Practica calificada 3
Semana 12
Codificación (Fuzzification).
Decodificación (Defuzzification).
Evaluación de reglas. Estructura de
Controlador Difuso Modelo Mandani
Aplicación de un controlador difuso
para de Péndulo Invertido.
Intervenciones en clase, ejemplos y
propuesta de ejercicios aplicativos.
Laboratorio Calificado 3– Grupo A
Semana 13
Computación Evolutiva: Características,
teoría de evolución de Charles Darwin.
Algoritmos Genéticos. Función
Objetivo. Operadores genéticos.
Intervenciones en clase, ejemplos y
propuesta de ejercicios aplicativos.
Laboratorio Calificado 3– Grupo B
Semana 14
Aplicaciones en optimización de
procesos de control, selección de
variables para redes neuronales,
problema del viajante.
Intervenciones en clase, ejemplos y propuesta de ejercicios aplicativos.
Semana 15
EXAMEN FINAL
10. FECHA DE ACTUALIZACIÓN: 24 de Abril del 2014