woiaa sistemasinteligentesyredesneuronales
TRANSCRIPT
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.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.
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.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.
Semana 8
Red Neuronal Recurrente. Definiciones.Cálculo de la matriz de pesos sinápticos.Aplicaciones de reconocimiento depatrones.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Practica calificada 2
Semana 9
Conceptos de lógica difusa.Características y Aplicaciones en el áreade control de procesos.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Laboratorio Calificado 2– Grupo A
Semana 10Tipos de conjuntos difusos o funcionesmemberships. Representación gráfica ysimulación con Matlab.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Laboratorio Calificado 2– Grupo B
Semana 11Operaciones entre grados de pertenencia:unión, intersección y complemento.Ejemplos de aplicación.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.
Semana 12
Métodos de fusificación ydesfusificación. Método de correlaciónmínima y agregación máxima. Métododel centroide.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Practica calificada 3
Semana 13 Aplicaciones de los controladores difusos.Sistemas de control a lazo abierto.
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Laboratorio Calificado 3– Grupo A
Semana 14Aplicaciones de los controladores difusos.Sistemas de control a lazo cerrado.PRÁCTICA 5
Intervenciones en clase, ejemplos ypropuesta de ejercicios aplicativos.Laboratorio Calificado 3– Grupo B
Semana 15 EXAMEN FINAL
10. FECHA DE ACTUALIZACIÓN:16/04/2014