Sistemas Inteligentes

Información Básica

  • Código:
  • Componente Curricular:
  • Área de formación:
  • Núcleo Temático:
  • Créditos:
  • Horas de Clase:
  • Prerequisitos:
  • Profesor

Descripción del Curso

Objetivos Generales

Objetivos Específicos

Metodología

Esta asignatura, tiene como estructura fundamental en ser un curso presencial, apoyado por las nuevas tecnologías, donde cada estudiante es partícipe directo de su aprendizaje y el docente cumple las funciones de motivador, acompañante, coordinador, orientador y facilitador en el proceso de aprendizaje.

El profesor presentará la teoría básica, la cual será el punto de partida para que el estudiante se apropie de los diferentes conceptos y técnicas de los sistemas inteligentes. Al apropiarse de este conocimiento el estudiante podrá aplicarlos a la solución de problemas propios de su área de interés.

En el curso se hará uso intensivo de herramientas de simulación para aterrizar los conceptos teóricos presentados. Con las herramientas de simulación se resolverán diferentes tipos de aplicaciones que serán la base para las aplicaciones que desarrollarán los estudiantes del curso.

Contenido

Presentación del curso

  • Breve reseña histórica de la inteligencia computacional
  • Definición de inteligencia computacional
  • Vertientes de la inteligencia computacional
  • Campos de aplicación de la inteligencia computacional
  • Introducción al MATLAB

Conceptos generales de optimización

  • Qué es optimizar
  • Tipos de optimización
  • Optimización por métodos basados en el gradiente
  • Optimización usando meta-heurísticas
  • Problemas NP completos
  • Ejemplos

Algoritmos genéticos

  • Evolución natural como inspiración biológica
  • Algoritmos genéticos con codificación binario
    • Individuo
    • Nivel de aptitud
    • Función objetivo
    • Operadores genéticos
      • Selección
      • Cruce
      • Mutación
  • Convergencia de un algoritmo genético
  • Aplicabilidad
  • Algoritmos genéticos con codificación continua o real
    • Individuo
    • Nivel de aptitud
    • Función objetivo
    • Operadores genéticos
      • Selección
      • Cruce
      • Mutación
  • Aplicabilidad

Temple simulado

  • Conceptos básicos
  • Algoritmo
  • Aplicabilidad

Inteligencia de enjambres

  • Definición de la inteligencia de enjambres
  • Algoritmos basados en colonias de hormigas
    • Búsqueda de alimento
    • Agrupamiento
    • Aplicabilidad
  • Optimización por enjambre de partículas
    • Conceptos básicos
    • Algoritmo
    • Aplicabilidad

Redes neuronales artificiales

  • Elementos de una neurona biológica
  • Elementos de una neurona artificial,
  • Arquitecturas de redes neuronales
  • Aprendizaje en redes neuronales
  • Aplicaciones de las redes neuronales artificiales
  • Redes Neuronales Multicapa
    • Arquitectura
    • Entrenamiento
    • Aplicabilidad
  • Mapas auto-organizado
    • Arquitectura
    • Entrenamiento
    • Aplicabilidad

Evaluación

El curso se evaluará teniendo en cuenta una componente teórica usando para tal fin exámenes escritos y una componente práctica donde se evaluará la solución de problemas reales aplicando las diferentes técnicas vistas en la asignatura.

Porcentaje
Evaluación 1 25 %
Evaluación 2 30 %
Proyecto aplicativo 2 25 %
Tareas 20 %

Bibliografía

  1. Redes Neuronales
    • J. Freeman, D. Skapura, “Redes neuronales, Algoritmos, Aplicaciones y Técnicas de Programación”, Editorial Addison-Wesley/Diaz de Santos, 1993
    • S. Haykin, “Neural networks a Comprehensive Foundation”, Second Edition, Prentice Hall, 1999.
    • Christopher M. Bishop. Neural Networks for Pattern Recognition Oxford University Press, USA; 1st edition. November 3, 1995
    • Norgaard, M. Neural Networks for Modelling and Control of Dynamic Systems. Springer – Verlag, London. (2000)
  2. Algoritmos Genéticos
    • David E. Goldberg Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Professional; 1st edition, January 1, 1989
    • Melanie Mitchell. An Introduction to Genetic Algorithms (Complex Adaptive Systems) The MIT Press. February 6, 1998
    • Randy L. Haupt, Sue Ellen Haupt. Practical Genetic Algorithms (Hardcover) by Wiley-Interscience; 2nd edition (May 31, 2004)
  3. Inteligencia de Enjambres
    • Eric Bonabeau, Marco Dorigo, and Guy Theraulaz Swarm Intelligence: From Natural to Artificial Systems (Santa Fe Institute Studies in the Sciences of Complexity Proceedings) Oxford University Press, USA; 1st edition, August 27, 1999
    • Marco Dorigo, Thomas Stützle. Ant Colony Optimization. The MIT Press. July 1, 2004
  4. Sistemas Neuro Difusos
    • J.-S. R. Jang, C.-T. Sun, E. Mizutani, “Neuro-Fuzzy and Soft Computing: A computational approach to Learning and Machine Intelligence”, Prentince Hall, NJ, 1997
  5. Sistemas Difusos Evolutivos
    • Oscar Cordon, Francisco Herrera, Frank Hoffmann, Luis Magdalena Genetic Fuzzy Systems: Evolutionary Tuning and Learning of Fuzzy Knowledge Bases (Advances in Fuzzy Systems – Applications & Theory). World Scientific Publishing Company. February 15, 2002
  6. Libros que tratan varias de las vertientes de la inteligencia computacional
    • Del Brio, Bonifacio, SANZ, Alfredo, “Redes Neuronales y Sistemas Difusos”. RaMa. 2002.
    • Vojislav Kecman Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models (Complex Adaptive Systems). The MIT Press; 1st edition.March 19, 2001
    • Stuart J. Russell, Peter Norvig Artificial Intelligence: A Modern Approach (2nd Edition). 2002, Prentice Hall