UNIVERSIDAD CATÓLICA LOS ÁNGELES DE CHIMBOTE

(1)

EPIISSPAIA-v3 1

UNIVERSIDAD CATÓLICA LOS ÁNGELES DE CHIMBOTE

FACULTAD DE INGENIERIA

ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS SÍLABO/PLAN DE APRENDIZAJE

INTELIGENCIA ARTIFICIAL

A. SILABO

1. Información General

1.1 Denominación de la asignatura: Inteligencia Artificial 1.2 Código de la asignatura: 3.7.091593

1.3 Tipo de estudio: Especialidad

1.4 Naturaleza de la asignatura: Obligatoria – Téorica/práctica

1.5 Nivel de estudio: Pregrado

1.6 Ciclo académico: IX

1.7 Créditos: 3

1.8 Semestre académico: 2018-01

1.9 Horas semanales: teoría: 2 práctica: 2 1.10 Total de horas por semestre: 64

1.11 Pre requisito: 091584 – Proyectos de control

1.12 Docente titular: GUTIERREZ GUTIERREZ JORGE LUIS

1.13 Docentes tutores: Anexo 3

(2)

EPIISSPAIA-v3 2

2. Rasgo del perfil del egresado relacionado con la asignatura

Posee una sólida formación especializada que le permiten implementar soluciones de ingeniería de sistemas a la problemática de las organizaciones mediante una formación que privilegia la investigación.

3. Competencia

La asignatura pertenece al área de Formación Especializada; es de naturaleza obligatoria y teórica - práctica.

Tiene como propósito desarrollar y explicar el enfoque moderno de la Inteligencia artificial en la solución de problemas de corte industrial, empresarial y social. Sus contenidos son: Agentes inteligentes, Redes neuronales, Algoritmos genéticos, Lógica difusa, Sistemas expertos.

4. Competencia

4.1 Desarrollar y explicar el enfoque moderno de la Inteligencia artificial.

5. Capacidades

3.7.1. Desarrollar proyectos de redes neuronales.

3.7.2. Desarrollar proyectos de algoritmos genéticos y de sistemas de control difuso.

3.7.3. Desarrollar sistemas expertos determinísticos.

6. Unidades de aprendizaje:

Unidad de aprendizaje Capacidades Indicador de logro

I UNIDAD

Generalidades y redes neuronales

3.7.1

1.1 Visión global del contenido del proceso de aprendizaje propuesto en la asignatura.

1.2 Conceptos, terminología, campo de estudio.

Historia, campo de aplicación. Enfoque moderno de la inteligencia artificial.

1.3 Definiciones. Modelo de neurona.

Fundamentos de redes neuronales artificiales.

1.4 Solución de problemas con redes

neuronales. Modelo de capas. Entrenamiento y prueba.

1.5 Funcionamiento de la red neuronal y software propuesto.

II UNIDAD

Algoritmos genéticos - Lógica difusa

3.7.2

2.1 Definiciones. Fundamentos de los algoritmos genéticos.

2.2 El algoritmo genético artificial.

2.3 Presentación de casos. Software propuesto.

2.4 Definiciones. Fundamentos de lógica difusa.

(3)

EPIISSPAIA-v3 3

2.5 Conjunto difuso, variables lingüísticas, base de reglas e inferencia.

2.6 Aproximación al modelo de control difuso.

Funciones de pertenencia

2.7 Modelo Mandani. Proceso de fuzzificación y desfuzzificación.

2.8 Aplicaciones. Software propuesto.

III Unidad

Sistemas expertos

3.7.3

3.1 Algoritmos de búsqueda de soluciones.

Encadenamiento.

3.2 Sistemas expertos

3.3 Aplicaciones de sistemas expertos.

7. Estrategias de Enseñanza-Aprendizaje:

La metodología del curso responderá al régimen de estudios en “blended learning”, virtual y a distancia; bajo un enfoque socio cognitivo basado en el modelo didáctico de la ULADECH CATÓLICA. Se utilizará el campus virtual universitario denominado EVA-Entorno Virtual Angelino, dando énfasis al uso de las tecnologías de información y comunicación en el marco de la autonomía universitaria; respetando el principio de libertad de cátedra, espíritu crítico y de investigación, entre otros, considerando el carácter e identidad católica.

(4)

EPIISSPAIA-v3 4

Tutoría docente: Se programará en el módulo de tutoría de acuerdo a la propuesta del docente Titular o Tutor según la necesidad en el desarrollo curricular molecular.

8. Recursos Pedagógicos

 Laboratorio de aprendizaje digital

 Entorno Virtual Angelino – plataforma digital del curso

 Proyector multimedia

 Pizarra

 Plumones

 Videos motivacionales

 Software: JOONE, JGAP, PROLOG, XFUZZY, JAVA

(5)

EPIISSPAIA-v3 5

9. Evaluación del Aprendizaje

La evaluación del curso será integral y holística e integrada en cada unidad de aprendizaje. Las evaluaciones de cada unidad de aprendizaje son independientes y cancelatorias.

La nota promedio por unidad de aprendizaje se obtendrá de la siguiente manera:

• Actividades formativas de la carrera (60%) Práctica de clase (45%) Foros de la unidad (15%)

• Actividades de investigación formativa (10%)

• Actividades de responsabilidad social (10%)

• Examen escrito (20%)

La nota mínima aprobatoria de la asignatura es de doce (12). No se utiliza el redondeo.

Tendrán derecho a examen de aplazados los estudiantes que alcancen como mínimo una nota promocional de diez (10). La nota de aplazado no será mayor de trece (13) y sustituirá a la nota desaprobatoria que será llenada en el acta.

10. Referencias

1. Nils Nilsson. Inteligencia Artificial. 1ra ed. Madrid: McGraw-HIl Interamericana; 2001.

2. Rusell P. Norvig S. Inteligencia Artificial, un enfoque moderno. 2da ed. México: Mc Graw Hill; 2004.

Disponible en la biblioteca de la ULADECH Católica.

3. Martin del Brio B. Redes neuronales y sistemas borrosos.3d. España: Editorial Alfaomega; 2005.

4. Roque M. & Palma J. Inteligencia Artificial. Técnicas, métodos y aplicaciones. 1ed. México: Mc GrawHill;

2008.

5. Martin del Brio B. & Sanz A. Redes neuronales y sistemas borrosos. 3ra ed. España: Editorial Alfaomega ra- ma; 2007.

6. Benites R, et al. Inteligencia Artificial Avanzada. España: Editorial UOC; 2013. Disponible en http://site.ebrary.com/lib/bibliocauladechsp/reader.action?docID=10832185

7. Ramirez L. Reconocimiento de firmas digitalizadas usando redes neuronales y técnicas de matching. [Tesis para optar el título profesional de ingeniero informático]. Trujillo: Biblioteca de la Facultad de Ciencias Físicas y Matemáticas – Universidad Nacional de Trujillo; 2012.

8. Gutiérrez J. Inteligencia Artificial, Chimbote: Uladech Católica. RD – de la asignatura; 2013.

11. Anexos:

ANEXO 1: PLAN DE APRENDIZAJE

1. Unidad de Aprendizaje: Generalidades y redes neuronales 2. Capacidades: Desarrollar proyectos de redes neuronales.

3. Actividades e indicador del logro del aprendizaje:

(6)

EPIISSPAIA-v3 6

B. PLANES DE APRENDIZAJE

1. Unidad de aprendizaje I: Generalidades y redes neuronales

2. Capacidades 3.7.1. Desarrollar proyectos de redes neuronales.

3. Actividades de aprendizaje Tiempo

Introducción a la Inteligencia Artificial

 Se socializa el SPA y se motiva a los estudiantes con ejemplos de las diversas áreas de la IA.

 Se socializa el documento “AREAS DE LA IA”, los estudiantes buscan ejemplos de aplicación industrial, empresarial y social de la IA.

Semana Nº 1 4 horas

Agente inteligente

 Los estudiantes analizan el documento del mismo nombre, e identifican las diversas arquitecturas de agente inteligente.

 Los estudiantes llenan la matriz PAMA en un foro creado para tal caso siguiendo las pautas del libro de Rusell y Norvig.

(Actividad de motivación para la revisión de libros)

 Se socializan las pautas para la primera entrega de la

monografía como actividad de IF. Los temas corresponden a una área específica de IA como: sistemas expertos, lógica difusa, PLN, RNA, robótica, visión computacional, entre otras. El tema será distribuido por el docente. En esta primera unidad se requiere un avance como la descripción de la tecnología:

definición, aplicaciones, limitaciones. Lleva a cabo la búsqueda y análisis de la información seleccionada con el tema de la monografía, debiendo incluir textos de las base de datos de la universidad

Redes Neuronales

 Se revisa el documento del mismo nombre; los estudiantes identifican los elementos del modelo de la red neuronal.

 El estudiante verifica el entrenamiento de RNA usando la herramienta JOONE.

Reconocimiento usando las redes neuronales

 Se socializa dos casos de aplicación de las redes neuronales, se verifica su funcionamiento usando Java.

 Los estudiantes escriben un código para el reconocimiento de números en Java.

Càlculo de pesos

 Se socializa con los estudiantes el algoritmo de aprendizaje de pesos Backpropagation. Los estudiantes verifican el algoritmo usando un programa de aplicación hecho en Java.

 Los estudiantes revisan los aspectos de diseño de la red neuronal de la tesis propuesta en las referencias de Ramirez.

Actividad de motivación para la revisión de tesis.

Revisión de la unidad

 Los estudiantes rinden el examen de la unidad.

 Los estudiantes responden al cuestionamiento acerca del medio ambiente y su relación con la IA en el foro de RS publicado para tal fin.

Instrumentos de evaluación

 Rúbrica de evaluación de actividades

 Examen escrito

(7)

EPIISSPAIA-v3 7

1. Unidad de aprendizaje II: Algoritmos genéticos - Lógica difusa

2. Capacidad 3.7.2. Desarrollar proyectos de algoritmos genéticos y de sistemas de control difuso.

Algoritmos genéticos

 Se motiva a los estudiantes con ejemplos donde se aplican los algoritmos genéticos.

 Se socializa el documento “Algoritmos genéticos”, los estudiantes hacen el análisis del tema.

 Se socializa el problema clásico LA MOCHILA

Aplicando AG

 Se revisa en el LAD el framework JGAP.

 Los estudiantes implementan el caso CAMBIA MONEDAS

 El estudiante revisa los ejercicios de AG del texto digital del autor Benites et al; el enlace al texto es:

http://site.ebrary.com/lib/bibliocauladechsp/reader.action?docID=10832185

Lógica difusa

 Se motiva a los estudiantes con ejemplos donde se aplica la lógica difusa.

 Se revisa el documento del mismo nombre; los estudiantes identifican los elementos de los sistemas de control difuso.

 Se revisa el caso COMO CRUZAR LA CALLE

Aplciando LD

 Se revisa en el LAD el software Xfuzzy.

 Se socializa un video tutorial de Xfuzzy.

 Los estudiantes desarrollan el caso LAS GALLETAS DE LA ABUELA.

 Los estudiantes responden al cuestionamiento acerca del medio ambiente en el foro de RS publicado para tal fin.

 Examen escrito

1. Unidad de aprendizaje III: Sistemas Expertos

2. Capacidad 3.7.3. Desarrollar sistemas expertos determinísticos.

Sistemas Expertos

 Se motiva a los estudiantes con un pequeño ejemplo de sistemas expertos.

 Se socializa el documento “Los sistemas expertos”, los

estudiantes hacen el análisis de ejemplos y lo relacionan con las necesidades empresariales.

 Los estudiantes revisan la IDE swi-prolog

 Los estudiantes desarrollan un pequeño SE en consola en lenguaje prolog.

 Se socializa una metodología de desarrollo de SE.

Desarrollo de SE

 Los estudiantes verifican xpce como un API para el desarrollo de interfaces gráficas para los SSEE.

 Los estudiantes desarrollan un SE en modo gráfico.

 Se socializa el proyecto de aplicación SISTEMA EXPERTO EDA.

Semana Nº 13 y Nª 14 8 horas

 Los estudiantes responden al cuestionamiento acerca del medio ambiente en el foro de RS publicado para tal fin.

(8)

EPIISSPAIA-v3 8

 Examen escrito

ANEXO 2. INSTRUMENTOS DE EVALUACIÓN DEL APRENDIZAJE

ASPECTOS

RUBRICA PRIMERA UNIDAD NIVELES DE LOGRO

ALTA(5) MEDIA(3) BAJA(1) MAXIMO

PUNTAJE

Participación en los foros

El estudiante responde la pregunta del foro y participa debatiendo las respuestas de sus compañeros.

El estudiante

solamente responde la pregunta del foro.

El estudiante no responde la pregunta del foro.

5

Presentación de tareas de la semana

El estudiante presenta todas las tareas de la semana en el plazo establecido

El estudiante presenta algunas tareas de la semana

El estudiante no presenta las tareas de la semana

5

Contenido de la tarea 01

Resuelve todas las preguntas del balotario en forma correcta.

Resuelve algunas preguntas del balotario en forma correcta.

El estudiante no resuelve la tarea.

2

Implementa todos los programas de comportamiento de Agentes propuestos en la Unidad en forma correcta

Implementa algunos programas de comportamiento de Agentes propuestos en la Unidad en forma correcta

2

Implementa el caso Compradores y

Vendedores de libros en JADE correctamente.

Implementa parcialmente el caso Compradores y Vendedores de libros en JADE.

2

Implementa el caso de Detección de obstáculos con RNAs correctamente.

Implementa parcialmenteel caso de Detección de obstáculos con RNAs.

2

Implementa el caso de Reconocimiento de Dígitos con RNas. correctamente.

Implementa parcialmente el caso de Reconocimiento de Dígitos con RNas.

2

Total puntos 20

(9)

EPIISSPAIA-v3 9

ASPECTOS A EVALUAR

(2da. Unidad)

RUBRICA SEGUNDA UNIDAD NIVELES DE LOGRO

PUNTAJE

El estudiante

solamente responde la pregunta

del foro.

5

Implementa el caso Cambia Monedas con JGAP en forma correcta.

Implementa

parcialmente el caso Cambia Monedas con JGAP

El estudiante no resuelve la tarea. 5

Implementa el caso

"Cruzar Calle" en XFuzzy en forma correcta

Implementa

parcialmente el caso

"Cruzar Calle" en XFuzzy

Total puntos 20

(10)

EPIISSPAIA-v3 10

ASPECTOS A EVALUAR

(3ra. Unidad)

RUBRICA TERCERA UNIDAD NIVELES DE LOGRO

PUNTAJE

El estudiante

solamente responde la pregunta

del foro.

5

Implementa el caso Árbol genealógico con WSI-Prolog en forma correcta.

Implementa

parcialmente el caso Árbol genealógico con WSI-Prolog.

Implementa el caso Vivienda Inteligente con JADE y JESS en forma correcta

Implementa

parcialmente el caso Vivienda Inteligente con JADE y JESS.

Total puntos 20

ANEXO 3. Listado de los docentes tutores del ciclo de estudios de acuerdo al semestre 2016-01

1.-GUTIERREZ GUTIERREZ JORGE LUIS[email protected] 2.-MORE VALENCIA RUBEN ALEXANDER[email protected] 3.-MEZA VILLANUEVA BEDER HENRY[email protected] 4.-OCAÑA VELASQUEZ JESUS DANIEL[email protected] 5.-INGA GANOZA LUIS ALBERTO[email protected]

ANEXO 4. Referencias categorizadas Texto Compilado

 Gutiérrez J. Inteligencia Artificial, Chimbote: Uladech Católica. RD – de la asignatura; 2013.

(11)

EPIISSPAIA-v3 11

Texto Base

 Rusell P. Norvig S. Inteligencia Artificial, un enfoque moderno. 2da ed. México: Mc Graw Hill; 2004.

Disponible en la biblioteca de la ULADECH Católica.

Texto digital

Benites R, et al. Inteligencia Artificial Avanzada. España: Editorial UOC; 2013. Disponible en http://site.ebrary.com/lib/bibliocauladechsp/reader.action?docID=10832185

Tesis

 Ramirez L. Reconocimiento de firmas digitalizadas usando redes neuronales y técnicas de matching.

[Tesis para optar el título profesional de ingeniero informático]. Trujillo: Biblioteca de la Facultad de Ciencias Físicas y Matemáticas – Universidad Nacional de Trujillo; 2012.

Textos complementarios

 Nils Nilsson. Inteligencia Artificial. 1ra ed. Madrid: McGraw-HIl Interamericana; 2001.

 Martin del Brio B. Redes neuronales y sistemas borrosos.3d. España: Editorial Alfaomega; 2005.

 Roque M. & Palma J. Inteligencia Artificial. Técnicas, métodos y aplicaciones. 1ed. México: Mc GrawHill; 2008.

 Martin del Brio B. & Sanz A. Redes neuronales y sistemas borrosos. 3ra ed. España: Editorial Alfaomega ra-ma; 2007.