Sistema ITESM
Campus Morelos
 
 
Si-95-089. Sistemas Inteligentes.
(C-L-U. Requisito: 3-0-8 Semestre(s) y carrera(s) en que se ofrece el curso)
Equivalencia:_________
 
OBJETIVO GENERAL DE LA MATERIA
Estudiar los fundamentos de sistemas inteligentes para comprender los métodos modernos de computación que han nacido a partir de esos fundamentos. El estudio incluye la utilización de esos métodos computacionales a la solución de problemas.
 
SUBTEMAS DEL CURSO
1. Introducción a la Inteligencia Artificial
2. Lenguajes de Inteligencia Artificial
3. Búsqueda y juegos
4. Introducción a lógica
5. Representación de conocimiento
6. Manejo de incertidumbre
7. Aprendizaje
8. Sistemas Expertos
 
OBJETIVOS ESPECIFICOS DE CADA TEMA

  1. Introducción a la Inteligencia Artificial

    2. Ofrecer al alumno una breve motivación al curso incluyendo aspectos históricos de la IA, fundamentos generales de la IA y descripción de los principales temas que forman el curso.
     
  2. Lenguajes de Inteligencia Artificial

    3. Ofrecer al alumno una introducción a los lenguajes más utilizados en IA. En especial se hace un estudio del lenguaje CLIPS. Se revisan sus características sintácticas y se sugieren programas de práctica en su uso.
     
  3. Búsqueda y juegos

    4. Ofrecer al alumno una introducción a los diferentes tipos de algoritmos de búsqueda. Estos incluyen los algoritmos de búsquedas ciegas y algoritmos de búsquedas heurísticas. Se presentan también las diferentes aplicaciones típicas donde estos algoritmos son indispensables. Por ejemplo, se sugieren proyectos de programación de juegos en el lenguaje estudiado.
     
  4. Introducción a lógica

    5. Ofrecer al alumno una introducción al lenguaje de la lógica. Se presenta primero una descripción semántica y sintáctica de la lógica proposicional. Se extiende el estudio a la lógica de predicados. Este estudio incluye la manipulación de expresiones lógicas, procedimientos de pruebas y la traducción del lenguaje natural a lógica. Se sugieren ejercicios en el paquete del mundo de Tarski.
     
  5. Representación de conocimiento

    6. Ofrecer al alumno una introducción a las diferentes técnicas para representar el conocimiento. Se incluye una metodología para reconocer el conocimiento que se debe capturar en algún dominio de aplicación específico. A continuación se analizan las siguientes técnicas de representación de conocimiento: lógica de primer orden, redes semánticas, marcos (frames) y sistemas de producción. Se sugieren ejercicios de representación del conocimiento de algún dominio en los lenguajes apropiados.
     
  6. Manejo de incertidumbre

    7. Ofrecer al alumno una introducción al manejo de incertidumbre en IA: Se hace referencia a los métodos de representación del conocimiento vistos con la consideración de la existencia de varias fuentes de incertidumbre. Se revisan brevemente algunas técnicas del manejo de incertidumbre y se profundiza en las siguientes dos técnicas: Redes Bayesianas y lógica difusa.
     
  7. Aprendizaje

    8. Ofrecer al alumno una introducción a los algoritmos de aprendizaje automático. Se describen las características generales de los algoritmos más comunes y se estudia más profundamente el algoritmo ID3. Se sugieren programas para el aprendizaje de máquina dado un conjunto de datos de algún dominio de aplicación.
     
  8. Sistemas Expertos

Ofrecer al alumno una introducción a los sistemas expertos, incluyendo una descripción de los primeros prototipos, las aplicaciones más importantes y las diferentes arquitecturas existentes.
 
 
METODOLOGIA SUGERIDA Y ACTIVIDADES DE APRENDIZAJE
 
La validez de un curso como este está en la práctica de los diferentes algoritmos y técnicas en problemas que son de la vida diaria de los estudiantes. La metodología sugerida comprende sesiones teóricas donde se repasen las características de las diferentes técnicas y una motivación a los problemas cotidianos que podrían resolver. Esto se complementa con un proyecto final que enmarca varios de los temas revisados en clase.
 
TIEMPO ESTIMADO POR TEMA
1. Introducción a la Inteligencia Artificial: 1 semana
2. Lenguajes de Inteligencia Artificial: 2 semanas
3. Búsqueda y juegos: 2 semanas
4. Introducción a lógica: 2 semanas
5. Representación de conocimiento: 2 semanas
6. Manejo de incertidumbre: 2 semanas
7. Aprendizaje: 2 semanas
8. Sistemas Expertos: 2 semanas
 
POLITICAS DE EVALUACION DEL CURSO
 
· 40 % de dos exámenes parciales.
· 30 % de un proyecto final a entregarse en la fecha del tercer parcial.
· 20 % del examen final
· 10 % participación en clase y promedio de tareas asignadas en el semestre.
 
LIBRO(S) DE TEXTO
 
Thomas Dean, James Allen y Yannis Aloimonos
Artificial Intelligence, Theory and Practice
The Benjamin CummingsPublishing, 1995
 
Stuart Russell y Peter Norvig
Artificial Intelligence, A Modern Approach
Prentice Hall, 1995
 
LIBRO(S) DE CONSULTA
 
Patrick H. Winston
Artificial Intelligence
2nd Edition, Addison Wesley, 1984
 
E. Rich y K. Knight
Artificial Intelligence
2nd Edition, Mc. Graw-Hill, 1991
 
Peter Jackson
Introduction to Expert Systems
Addison Wesley, 1990.
 
Jon Barwise y John Etchemendy
The Language of First-Order Logic
Third edition, Center for the study of Language and Information (CSLI), Stanford, 1992.
 
Ivan Bratko
Prolog, Programming for Artificial Intelligence
2nd edition, Addison Wesley, 1990.
 
Thomas Dean y Michael P. Wellman
Planning and Control
Morgan Kaufmann, 1991.
 
MATERIAL DE APOYO Y/O SOFTWARE DE APOYO
 
Se utilizan los siguientes paquetes de software: