Sie sind auf Seite 1von 6

Divisin de Arquitectura, Diseo e Ingeniera

Departamento de Ciencias Computacionales

Periodo: Primavera 2004

Nombre del curso: Inteligencia Artificial Clave : SC2250


Nombre del Profesor: Ing. Rolando Rafael Hernndez Cisneros

Objetivo general del Curso: Conocer los principales conceptos de Inteligencia Artificial, y
aplicar estos conocimientos en la solucin de problemas.

Objetivos Especficos:
1. Entender la importancia de la inteligencia artificial como tema de estudio, y definir el
trmino inteligencia artificial
2. Conocer las funciones de un agente inteligente, cmo se relaciona ste con su medio,
cmo se evala y cmo se podra construir uno.
3. Comprender cmo puede un agente encontrar una secuencia de acciones que cumpla sus
metas, cuando ninguna accin individual lo puede lograr.
4. Comprender la importancia de la informacin sobre el espacio de estados para evitar que
los algoritmos emprendan bsquedas a ciegas y se pierdan sin encontrar la solucin.
5. Comprender cmo puede un agente resolver problemas que estn sujetos a restricciones
que deben cumplirse.
6. Aprender a disear agentes que pueden formar representaciones del mundo, usar un
proceso de inferencia para derivar nuevas representaciones sobre el mismo y usar estas
nuevas representaciones para deducir su curso de accin.
7. Aprender a representar el mundo en trminos de objetos y relaciones entre ellos, con la
finalidad de realizar razonamientos posteriores sobre los mismos.
8. Definir mecanismos de inferencia que permitan responder de manera eficiente a preguntas
formuladas en lgica de primer orden.
9. Conocer cmo se puede usar la lgica de primer orden para representar los aspectos ms
importantes del mundo real, como acciones, tiempo, espacio y eventos mentales.
10. Comprender cmo puede un agente resolver problemas bajo condiciones de incertidumbre.
11. Conocer los sistemas de razonamiento basados en modelos de redes, y con base en las
leyes de la teora de la probabilidad, su empleo para razonar en situaciones de
incertidumbre.
12. Conocer agentes capaces de mejorar su comportamiento (aprender) mediante el estudio de
experiencias propias.
13. Examinar el problema del aprendizaje cuando ya se cuenta con conocimientos previos del
mundo.
14. Estudiar el aprendizaje como una forma de razonamiento incierto a partir de las
observaciones.
15. Conocer cmo la computadora puede percibir el mundo real mediante la visin artificial.
16. Conocer cmo los agentes pueden manipular el mundo fsico mediante efectores, tales
como piernas, ruedas, articulaciones y pinzas.

Revisin No. 1
/conversion/tmp/scratch/359771204.doc Pg. 1 de 6
Divisin de Arquitectura, Diseo e Ingeniera
Departamento de Ciencias Computacionales

Contenido y calendarizacin:

1. Inteligencia artificial (21 y 28 de Enero)


1.1. Introduccin
1.1.1. Definicin de inteligencia artificial
1.1.2. Fundamentos de inteligencia artificial
1.1.3. Historia de la inteligencia artificial
1.1.4. Situacin actual de la inteligencia artificial
1.2. Agentes inteligentes
1.2.1. Agentes y ambientes
1.2.2. Concepto de Racionalidad
1.2.3. Naturaleza de los ambientes
1.2.4. Estructura de los agentes
2. Procedimientos para la solucin de problemas (4, 11 y 18 de Febrero)
2.1. Solucin de problemas mediante la bsqueda
2.1.1. Agentes que resuelven problemas
2.1.2. Ejemplos de problemas
2.1.3. Bsqueda de soluciones
2.1.4. Estrategias de bsqueda sin informacin
2.1.4.1. Bsqueda primero en anchura
2.1.4.2. Bsqueda de costo uniforme
2.1.4.3. Bsqueda primero en profundidad
2.1.4.4. Bsqueda de profundidad limitada
2.1.4.5. Bsqueda de profundizacin iterativa
2.1.4.6. Bsqueda bidireccional
2.1.5. Manejo de estados repetidos
2.1.6. Bsqueda con informacin parcial
2.2. Bsqueda y exploracin informadas
2.2.1. Estrategias de bsqueda informada (heurstica)
2.2.1.1. Bsqueda avara
2.2.1.2. Bsqueda A*
2.2.1.3. Bsqueda heurstica acotada por memoria
2.2.2. Funciones Heursticas
2.2.3. Algoritmos de bsqueda local y problemas de optimizacin
2.2.3.1. Bsqueda por ascenso de cima (Hill-climbing search)
2.2.3.2. Bsqueda por recocido simulado (simulated annealing search)
2.2.3.3. Bsqueda local en haz (Local beam search)
2.2.3.4. Algoritmos genticos
2.2.4. Bsqueda local en espacios continuos
2.2.5. Agentes de bsqueda en lnea y ambientes desconocidos
2.3. Problemas de satisfaccin de restricciones
2.3.1. Problemas de satisfaccin de restricciones (PSRs)
2.3.2. Bsqueda por backtracking en PSRs
2.3.3. Bsqueda local para PSRs
2.3.4. Estructura de los PSRs

Revisin No. 1
/conversion/tmp/scratch/359771204.doc Pg. 2 de 6
Divisin de Arquitectura, Diseo e Ingeniera
Departamento de Ciencias Computacionales

3. Conocimiento y Razonamiento (25 de Febrero; 3, 10 y 17 de Marzo)


3.1. Agentes Lgicos
3.1.1. Agentes basados en conocimiento
3.1.2. Ejemplos de problemas
3.1.3. Lgica
3.1.4. Lgica proposicional
3.1.5. Patrones de razonamiento en lgica proposicional
3.1.6. Inferencia proposicional efectiva
3.1.7. Agentes basados en lgica proposicional
3.2. Lgica de primer orden
3.2.1. Repaso de representacin
3.2.2. Sintaxis y semntica de la lgica de primer orden
3.2.3. Uso de la lgica de primer orden
3.2.4. Ingeniera de conocimiento en la lgica de primer orden
3.3. Inferencia en lgica de primer orden
3.3.1. Comparacin entre inferencia proposicional y de primer orden
3.3.2. Unificacin
3.3.3. Encadenamiento hacia delante (forward chaining)
3.3.4. Encadenamiento hacia atrs (backward chaining)
3.3.5. Resolucin
3.4. Representacin del conocimiento
3.4.1. Ingeniera ontolgica
3.4.2. Categoras y objetos
3.4.3. Acciones, situaciones y eventos
3.4.4. Eventos y objetos mentales
3.4.5. Sistemas de razonamiento para categoras
3.4.6. Razonamiento con informacin por defecto
4. Conocimiento incierto y razonamiento(24 y 31 de Marzo)
4.1. Incertidumbre
4.1.1. Actuacin ante la incertidumbre
4.1.2. Notacin bsica de probabilidad
4.1.3. Axiomas de probabilidad
4.1.4. Inferencia usando distribuciones conjuntas completas
4.1.5. Independencia
4.1.6. Regla de Bayes y su uso
4.1.7. Problemas de ejemplo
4.2. Sistemas de razonamiento probabilstico
4.2.1. Representacin del conocimiento en un dominio incierto
4.2.2. Semntica de las redes bayesianas
4.2.3. Representacin eficiente de las distribuciones condicionales
4.2.4. Inferencia exacta en las redes bayesianas
4.2.5. Inferencia aproximada en las redes bayesianas
4.2.6. Extensin de la probabilidad a representaciones de primer orden
4.2.7. Otros enfoques aplicados al razonamiento incierto

Revisin No. 1
/conversion/tmp/scratch/359771204.doc Pg. 3 de 6
Divisin de Arquitectura, Diseo e Ingeniera
Departamento de Ciencias Computacionales

5. Aprendizaje (14, 21 y 28 de Abril)


5.1. Aprendizaje a partir de la observacin
5.1.1. Formas de aprendizaje
5.1.2. Aprendizaje inductivo
5.1.3. Aprendizaje con rboles de decisin
5.1.4. Aprendizaje por ensamble
5.1.5. Teora del aprendizaje computacional
5.2. Conocimiento en Aprendizaje
5.2.1. Una formulacin lgica del aprendizaje
5.2.2. Conocimiento en aprendizaje
5.2.3. Aprendizaje basado en la explicacin
5.2.4. Aprendizaje usando informacin relevante
5.2.5. Programacin inductiva lgica
5.3. Mtodos de aprendizaje estadstico
5.3.1. Aprendizaje estadstico
5.3.2. Aprendizaje con datos completos
5.3.3. Aprendizaje con variables ocultas
5.3.4. Aprendizaje basado en instancias
5.3.5. Redes Neuronales
5.3.6. Mquinas Kernel
6. Percepcin y actuacin (5 y 12 de Mayo)
6.1. Percepcin
6.1.1. Introduccin
6.1.2. Formacin de imgenes
6.1.3. Operaciones elementales en el procesamiento de imgenes
6.1.4. Extraccin de informacin tridimensional
6.1.5. Reconocimiento de objetos
6.1.6. Uso de la visin para manipulacin y navegacin
6.2. Robtica
6.2.1. Introduccin
6.2.2. Hardware de robtica
6.2.3. Percepcin robtica
6.2.4. Planeacin de movimiento
6.2.5. Planeacin de movimientos inciertos
6.2.6. Movimiento
6.2.7. Arquitecturas de Software Robtico
6.2.8. Dominios de aplicacin

Metodologa:
Se realizar la exposicin de los temas por parte del profesor y los alumnos, con el apoyo
del equipo de cmputo de las aulas activas.
Se realizarn 5 trabajos parciales por equipos, en los cuales se utilizar lo aprendido en las
reas principales del curso. Las calificaciones obtenidas en dichos trabajos parciales se
promediarn para obtener la calificacin correspondiente al trabajo final. Dichos trabajos
consisten en:

Revisin No. 1
/conversion/tmp/scratch/359771204.doc Pg. 4 de 6
Divisin de Arquitectura, Diseo e Ingeniera
Departamento de Ciencias Computacionales

1) Elaboracin de un programa computacional que implemente los diversos tipos de


bsqueda sin informacin (anchura, profundidad, profundidad limitada, profundizacin
iterativa, costo uniforme) y con informacin (bsqueda avara, A*, A* SRM), para un
espacio de estados, operadores y una meta proporcionados por el usuario.
2) Utilizacin de Prolog para la modelacin de un problema real en lgica de primer orden
y realizacin de consultas al modelo.
3) Utilizacin de una herramienta de Redes Bayesianas para modelar un problema del
mundo real del cual se tiene conocimiento incierto, y realizacin de consultas al modelo.
4) Utilizacin de una herramienta de rboles de Decisin para el aprendizaje de una
situacin del mundo real, y realizacin de consultas al modelo.
5) Utilizacin de una herramienta de Redes Neuronales Artificiales para el aprendizaje de
una situacin del mundo real, y realizacin de consultas al modelo.

Sistema de Evaluacin:
1. La evaluacin ser continua, es decir, adems de los exmenes parciales habr exmenes
frecuentes (con un mnimo de tres en cada parcial) que sern aplicados de manera imprevista
y en el momento ms apropiado.
2. La evaluacin de cada unidad o proyecto se basar en los objetivos de aprendizaje
previamente establecidos. Los mismos se especificarn antes de iniciar cada unidad o
proyecto.
3. En caso de deshonestidad acadmica (copiar, permitir copia, etc.) se le reportar al alumno
una calificacin final de cero, independientemente de que la copia haya sido realizada en los
exmenes parciales, examen final, trabajo final, e incluso en los exmenes frecuentes.
4. Las calificaciones parciales sern formadas de la siguiente manera:
70% Examen Parcial
30% Tareas, ejercicios y exmenes frecuentes.

1. La calificacin final se formar de la siguiente manera:


60% Exmenes Parciales
25% Examen Final
15% Trabajo Final

2. Las fechas de los exmenes sern como sigue:


Primer Parcial: 18 de Febrero de 2004
Segundo Parcial: 24 de Marzo de 2004
Tercer Parcial: 28 de Abril de 2004
Examen Final: 19 de Mayo de 2004

3. Las tareas debern ser entregadas en clase. Cada tarea deber tener en la parte superior de
la hoja su nombre y matrcula, nombre de la materia, ttulo de la tarea y fecha de entrega.

4. Los trabajos parciales sern desarrollado en equipos, sern notificados con anticipacin
suficiente y se debern entregar con su documentacin correspondiente en la fecha que se
indique.

Revisin No. 1
/conversion/tmp/scratch/359771204.doc Pg. 5 de 6
Divisin de Arquitectura, Diseo e Ingeniera
Departamento de Ciencias Computacionales

Asesora:

Se ofrecer asesora acadmica (con previa cita.) El horario es lunes y martes de 15:00
a 17:00 horas

Bibliografa:

Libro de Texto:
Artificial Intelligence: A Modern Approach. Second Edition.
Stuart Russell y Peter Norvig.
Prentice Hall, 2003.

Libros de Consulta:
Inteligencia Artificial: Una Nueva Sntesis.
Nils J. Nilsson.
McGraw-Hill Interamericana, Espaa, 2001.

Engineering of Mind: An Introduction to the Science of Intelligent Systems,


James S. Albus.
Wiley, 2001.

Intelligent Systems: Architecture, Design, Control.


James S. Albus.
Wiley, 2001.

AI Application Programming.
M. Tim Jones.
Charles River Media, 2003. .

Understanding Artificial Intelligence.


Editors Scientific American.
Warner Books, 2002.

Artificial Intelligence: Structures and Strategies for Complex Problem Solving


George F. Luger y William A. Stubblefield
Addison Wesley, 1998.

Firma de autorizacin

Revisin No. 1
/conversion/tmp/scratch/359771204.doc Pg. 6 de 6