woiaa sistemasinteligentesyredesneuronales

1

SÍLABO DE WOIA SISTEMAS INTELIGENTES Y REDESNEURONALES

2014-1

1. DATOS GENERALES

Facultad: Ingeniería De Sistemas y ElectrónicaCarrera: Ingeniería ElectrónicaNúmero de créditos: 6Coordinador: Alberto Alvarado RiveraRequisitos: WEE0

2. FUNDAMENTACIÓNEsta asignatura se fundamenta porque permitirá que el estudiante aprenda nuevosalgoritmos para el reconocimiento de patrones, basado en la teoría de las redesneuronales artificiales. Asimismo, aprenderá el uso de una teoría alternativa de control deprocesos a través de los conceptos de lógica difusa. De esta manera, podrá entender losprincipios básicos de la inteligencia artificial, así como le permitirá plantear temas deinvestigación aplicados en diferentes campos de la ingeniería.

3. SUMILLAIntroducción a la Inteligencia Artificial. Fundamentos de las Redes neuronales artificiales.Redes neuronales supervisadas y no supervisadas. Redes auto- organizativas y recurrentes.Fundamentos de Lógica Difusa. Fusificación y desfusificación para los modelos Mandani.Aplicación de las reglas difusas y diseño de sistemas de control difuso. Simulaciones en elsoftware Matlab utilizando los toolbox Neural Networks y Fuzzy Logic.

4. LOGROS DE APRENDIZAJEAl final de la asignatura el estudiante brindará soluciones en base a redes neuronalesartificiales, en cuanto a aplicaciones de reconocimiento de patrones. Asimismo, laimplementación algorítmica de un controlador difuso para un sistema de control deprocesos.

5. CONTENIDOSInteligencia Artificial, redes neuronales, aprendizaje ylimitaciones

Semanas: 1, 2, 3,4

Redes Multicapas, competitivas y recurrentes Semana: 5,6,7,8,

Lógica Difusa, conjuntos difusos, métodos de Fusificación Semana: 9,10,11,12,13,14

2

6. METODOLOGÍA

Se dictarán clases teóricas con ayudas audiovisuales, así como experiencias de laboratoriopara complementar la parte teórica, asimismo, se usará referencias bibliográficas yseparatas para algunos temas específicos.

7. SISTEMA DE EVALUACIÓN

Nota:

Solo se podrá rezagar el Examen Final. No se elimina ninguna Práctica Calificada. El examen rezagado incluye los contenidos de todo el curso. La nota mínima aprobatoria es 12.

8. FUENTES DE INFORMACIÓNBibliografía Base:

Bonifacio, Martín Del Brio. “Redes Neuronales y Sistemas Borrosos”. Demuth, Howard; Hagan Martin “Neural Network TOOLBOX”.

and BealeBibliografía Complementaria:

Passino Kevin M. Yurkovich Stephen. “Fuzzy Control”. Haykin, Simon. “Neural Networks. A Comprehensive

Foundation”.

9. CRONOGRAMA DE ACTIVIDADES

Semana Contenidos o temas Actividades y evaluaciones

Semana 1Introducción a la Inteligencia Artificial.Aplicaciones y ejemplos en diferentessectores.

Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.

Semana 2Conceptos de redes neuronalesartificiales. Matriz de pesos sinápticos.Funciones de transferencia.

Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos..

Semana 3

Redes neuronales artificiales. Tipos deentrenamientos y algoritmos deaprendizaje.


0.1PC1 + 0.1PC2 + 0.2PC3 + 0.2PL + 0.4EF

PC1 es Práctica Calificada Grupal de 4 Estudiantes

PC2 y PC3 son Prácticas Calificadas IndividualesPL es Promedio de Laboratorios Calificados([LC1 + LC2 + LC3] / 3)

EF es Examen Final

3

Semana 4Red Neuronal Perceptron. Definiciones.Tipo de entrenamiento. Clasificación depadrones con redes de 1 y 2 neuronas.

Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Practica calificada 1

Semana 5

Algoritmos de aprendizaje y limitaciones dela Red Perceptron. Ejemplo de la funciónXOR. Aplicaciones de reconocimiento depatrones.

Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Laboratorio Calificado 1– Grupo A

Semana 6

Red Neuronal Perceptron MulticapaMLP. Definiciones. Algoritmo deaprendizaje. Aplicaciones dereconocimiento de patrones.

Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Laboratorio Calificado 1– Grupo B

Semana 7Red Neuronal Competitiva. Definiciones.Algoritmo de aprendizaje. Aplicaciones decompresión de señales.


Semana 8

Red Neuronal Recurrente. Definiciones.Cálculo de la matriz de pesos sinápticos.Aplicaciones de reconocimiento depatrones.


Semana 9

Conceptos de lógica difusa.Características y Aplicaciones en el áreade control de procesos.


Semana 10Tipos de conjuntos difusos o funcionesmemberships. Representación gráfica ysimulación con Matlab.


Semana 11Operaciones entre grados de pertenencia:unión, intersección y complemento.Ejemplos de aplicación.


Semana 12

Métodos de fusificación ydesfusificación. Método de correlaciónmínima y agregación máxima. Métododel centroide.


Semana 13 Aplicaciones de los controladores difusos.Sistemas de control a lazo abierto.


Semana 14Aplicaciones de los controladores difusos.Sistemas de control a lazo cerrado.PRÁCTICA 5


Semana 15 EXAMEN FINAL

10. FECHA DE ACTUALIZACIÓN:16/04/2014

woiaa sistemasinteligentesyredesneuronales

Documents