Asignatura | INTELIGENCIA ARTIFICIAL | ||||||||
Área | Ingeniería Aplicada | Nivel | 8 | ||||||
Código | IAI-84 | Pensum | |||||||
Correquisito(s) | Prerrequisito(s) | ||||||||
Créditos | TPS | 4 | TIS | 8 | TPT | 64 | TIT | 128 |
2. JUSTIFICACIÓN
En la actualidad existe una tendencia a establecer un nuevo campo de las ciencias de la computación que integraría los diferentes métodos de resolución de problemas que no pueden ser descritos fácilmente a través de un enfoque algorítmico tradicional. Estos métodos, de una u otra forma, tienen su origen en la emulación, más o menos inteligente, del comportamiento de los sistemas biológicos.
Se trata de una nueva forma de computación que es capaz de manejar las imprecisiones que aparecen cuando se trata de resolver los problemas relacionados con el mundo real. Para ello se dispone de un conjunto de metodologías como son: las Redes Neuronales Artificiales, los Algoritmos Genéticos y la Lógica Borrosa.
3. OBJETIVO GENERAL
Al finalizar el curso el alumno conocerá los fundamentos teóricos suficientes de INTELIGENCIA ARTIFICIAL para aplicaros a la solución de problemas de difícil solución cuando se aplica la algoritmia tradicional.
4. OBJETIVOS ESPECÍFICOS
5. COMPETENCIAS Y CONTENIDOS TEMÁTICOS DEL CURSO
COMPETENCIAS | CONTENIDO TEMÁTICO | INDICADOR DE LOGRO |
Diseñar e implementar sistemas expertos y sistemas basados en conocimiento, aplicando técnicas de inteligencia artificial para la solución de problemas. | UNIDAD 1. Introducción a la Inteligencia Artificial. UNIDAD 2. Redes Neuronales Artificiales. UNIDAD 3. Algoritmos Genéticos. UNIDAD 4. Lógica Borrosa. |
1. Argumenta la importancia de la IA, basándose en su inicio, evolución y aplicaciones. 2. En una situación problemática, aplica las técnicas de búsqueda heurística, definiendo el espacio de estados y el proceso de solución 3. Define los pasos necesarios para la representación del conocimiento a través de Lógica formal, Reglas de producción (o de inferencia), Lógica Difusa y Redes Neuronales Artificiales, en un ejercicio especifico. 4. Aplica Algoritmos Genéticos para determinar soluciones óptimas a un problema específico. |
6. ESTRATEGIAS DIDÁCTICAS / METODOLÓGICAS
Por parte del docente:
Por parte del estudiante:
Medios utilizados:
7. ESTRATEGIAS DE SEGUIMIENTO Y EVALUACIÓN
ESTRATEGIA | PORCENTAJE |
Examen Parcial (Unidades 1 y 2) | 20% |
Examen Parcial (Unidades 3) | 20% |
Examen Final (Unidades 4) | 20% |
Trabajo Práctico. (Unidad 2) | 20% |
Trabajo Práctico. (Unidad 3) | 20% |
8. BIBLIOGRAFÍA
Hilera, José R. y Martínez, Victor J. (1995). Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. Madrid: Editorial RA-MA.
Kosko, Bart, NEURAL NETWOKS AND FUZZY SYSTEMS: A DYNAMICAL SYSTEM APPROACH. Prentice Hall, New York, 1991.
Tabares Héctor. Inteligencia Artificial. Editorial ITM. 1ª.Edición 2009.