INSTITUTO TECNOLÓGICO
Y DE ESTUDIOS SUPERIORES DE MONTERREY
Ia95021 .
Inteligencia Computacional
Departamento académico:Centro
de Sistemas Inteligentes
Unidades:3-0-8
Requisito:
Semestre y carrera:
Equivalencia:IA90-013
Objetivo general de la materia:Que el estudiante se capaz de:
• Conocer las técnicas de Recocido Simulado,
Algoritmos Genéticos, y Redes Neuronales.
• Reconocer aquellos problemas que pueden ser
resueltos con estas técnicas.
• Aplicar estas técnicas a problemas reales de
mediana dificultad.
• Entender las limitaciones prácticas de resolver
problemas industriales con estas técnicas.
Temas y subtemas del curso:I. Recocido simulado
1. Optimización y búsqueda ciega
2. Búsqueda secuencial y aleatoria
3. Implementación de recocido simulado
II. Algorimos genéticos
1. Motivación biológica
2. El algoritmo genético simple
3. Bases matemáticas de los algoritmos
genéticos
4. Mejoras al algoritmo genético simple
III. Aplicaciones de recocido simulado y
algoritmos genéticos
1. Optimización y diseño
2. Aprendizaje
IV. Redes neuronales
1. Fisiología de la neurona
2. Asociador lineal y adaline
3. Retropropagación
V. Aplicaciones de redes neuronales
1. Clasificación de patrones
2. Pronóstico de series de tiempo
Objetivos específicos de aprendizaje:I. Recocido simulado
• Comprender el problema de optimización ciega
• Conocer la importancia del problema de
optimización ciega
• Deducir algoritmos simples de optimización ciega
• Conocer los algoritmos de búsqueda secuencial y
aleatoria
• Entender el algoritmo básico de recocido simulado
• Aplicar una implantación computacional de
recocido simulado
II. Algoritmos genéticos
• Conocer la motivación biológica de los
algoritmos genéticos
• Entender el funcionamiento del algoritmo
genético simple
• Entender las bases matemáticas de los algoritmos
genéticos
• Aplicar las mejoras al algoritmo genético simple
III. Aplicaciones de recocido simulado y
algoritmos genéticos
• Conocer la aplicación de recocido simulado y
algoritmos genéticos a problemas de optimización
y diseño
• Conocer aplicaciones al problema de aprendizaje
IV. Redes neuronales
• Conocer la motivación biológica de las redes
neuronales
• Entender el funcionamiento del asociador lineal
y del adaline
• Aplicar la regla de aprendizaje de
retropropagación
• Aplicar las mejoras a la red de retropropagación
V. Aplicaciones de redes neuronales
• Conocer la aplicación de redes neuronales a
problemas de clasificación de patrones
• Entender el pronóstico de series de tiempo
mediante redes neuronales
Metodología de enseñanza:ñanza
Tiempo estimado de cada tema: I. Recocido simulado (2 semanas)
II. Algorimos genéticos (4 semanas)
III. Aplicaciones de recocido simulado y
algoritmos genéticos (3 semanas)
IV. Redes neuronales (4 semanas)
V. Aplicaciones de redes neuronales (3 semanas)
Políticas de evaluacion sugeridas:• 15% tareas
• 39% exámenes parciales
• 21% proyectos y presentaciones
• 25% examen final
Libro de texto1:Goldberg, D. E. (1989). Genetic algorithms in search, optimization,
and machine learning. Reading, MA: Addison-Wesley.
Libro de texto2:Freeman, J. A., & Skapura, D. M. (1991). Neural networks:
algorithms, applications, and programming techniques. Reading, MA: Addison-Wesley.
Libro de texto3:Libro de Texto 3
Libro de consulta:Aarts, E. & Korst, J. (1990). Simulated annealing and Boltzmann
machines: A stochastic approach to combinatorial optimization and neural computing.
New York: John Wiley.
Mitchell, M. (1996). An introduction to genetic algorithms. Cambridge, MA: MIT
Press.
Hayken, S. (1994). Neural networks: A comprehensive foundation. Nueva York: Macmillan.
\0Material de apoyo:NO OBLIGATORIO
Perfil del Profesor:Doctorado o maestría
Fecha de la última
actualización: 17 de diciembre de 2003(M)