PUCE, Jorge Aguilar J. Página i PONTIFICIA UNIVERSIDAD

Anuncio
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR
FACULTAD DE INGENIERIA
ESCUELA DE SISTEMAS
1. DATOS INFORMATIVOS
MATERIA O MODULO:
INTELIGENCIA ARTIFICIAL II
CODIGO:
IS7
CARRERA:
Ingeniería de Sistemas
NIVEL:
SEPTIMO
No. CREDITOS
4
CREDITOS TEORIA:
3
CREDITOS PRACTICA:
1
PROFESOR:
JORGE AGUILAR J.
SEMESTRE / AÑO ACADEMICO: Feb/2008-Jun/2008
2. DESCRIPCION DEL CURSO
En términos generales, existen dos grandes enfoque en Inteligencia Artificial (IA), el
enfoque simbólico y el sub-simbólico, la forma de modelar la IA, con estas dos
aproximaciones normalmente es a través de un modelamiento explicito e implícito
respectivamente para los dos enfoques.
El presente curso pertenece al campo del modelamiento implícito de la IA, en el que
revisaremos dos grandes temas: Redes Neuronales Artificiales y Computación
Evolutiva.
El modelamiento implícito tiene que ver con modelar aquel objeto que tiene que ver con
el comportamiento inteligente: las redes neuronales biológicas y la evolución
respectivamente, por lo tanto representa un enfoque distinto a la aproximación basada
en la lógica y reglas que pertenece al modelamiento explícito.
3. OBJETIVO GENERAL
Dar una visión del campo de las redes neuronales, su aplicación y problemas que aborda
y una revisión detallada de las tres principales arquitecturas de aprendizaje supervisado
y no supervisado. Y una visión del campo de la computación evolutiva y una
profundización en los algoritmos genéticos..
4. OBJETIVO ESPECÍFICO
• Revisar los conceptos que permiten formalizar las arquitecturas de las redes
neuronales artificiales y revisar las principales topologías, de tal manera que el
estudiante este preparado para usarlas como herramientas de análisis de datos.
PUCE, Jorge Aguilar J.
Página i
• Analizar la fundamentación teórica de las redes de retro-propagación, redes de
base radial, y mapas auto-organizativos. Y revisar la implementación en
software usando Matlab con el uso de sesiones de laboratorio mediante ejemplos
prácticos.
• En Computación evolutiva, se revisaran los conceptos que definen el tema, se
hará una revisión rápida de las ramas más importantes de la misma y se
profundizará en los Algoritmos Genéticos explicando su efectividad como una
técnica de búsqueda.
• Se desarrollará proyectos grupales que permitan a los estudiantes aplicar el
conocimiento a problemas específicos.
5. CONTENIDOS
1
•
•
•
•
2.
Introducción a las Redes Neuronales Artificiales.
Introducción.
Fundamentos de Las RNA.
Características de una red neuronal artificial.
Áreas de Aplicación de las RNA
Perceptron Simple
2.1
Arquitectura
2.2
Algoritmo
2.3
Entrenando a partir de ejemplos
3.
Perceptron Multicapa
3.1
Aprendizaje Supervisado
3.2
El Perceptron Multicapa.
3.3
Sobre-entrenamiento
3.4
Algunas Preguntas
4
Aproximación de funciones y Red de Función de Base Radial:
4.1
Introducción
4.2
Regresión paramétrica y regresión no - paramétrica
4.3
Modelos lineales
4.4
Aproximación de una función desconocida:
4.5
Funciones de Base Radial:
4.6
Red de Función de Base Radial:
4.7
Entrenamiento de la red:
4.8
Cálculo de los Pesos (conexiones de la capa de salida)
4.9
RBR y PMC
5.
Redes de Aprendizaje No Supervisado
5.1.
Introducción
5.2
Aprendizaje Competitivo
5.3
Redes de Aprendizaje Competitivo básicas
5.4
Mapas Auto-Organizativos de Kohonen
5.5
Limitaciones y Aplicaciones de la red de Kohonen
PUCE, Jorge Aguilar J.
Página ii
6. Minería de Datos
• Introducción
• Estructura de un Sistema Neuronal
• Minerìa de datos: varios Enfoques
• Los algoritmos de la búsqueda
7.
Introducción a la Computación Evolutiva
• Introducción a la Computación Evolutiva
• Algoritmos Evolutivos y Métodos tradicionales de Búsqueda
• Paradigmas Importantes de la Computación Evolutiva
• Componentes comunes en los Algoritmos Evolutivos
8.
Algoritmos Genéticos
• Algoritmo canónico y algoritmos auto-adaptativos
• Teorema de los esquemas
• NK- Lanscapes
6. METODOLOGIA, RECURSOS
Los estudiantes cuentan con el material necesario para que revisen el contenido de la
clase siguiente con el objetivo de tener una participación activa del alumnado, y de esta
forma el profesor actué como expositor, guía y facilitador del proceso de aprendizaje y
su comprensión del material del curso. La clase debe ser el lugar de encuentro para
discutir entre todos, los contenidos revisados por los alumnos.
Existirán pocos temas magistrales que ameriten una exposición directa por parte del
profesor. Una vez cubierto un tema, y resueltas todas las preguntas que plante el
alumnado, se trabajará en talleres con tareas puntuales que permitan profundizar y
afianzar los contenidos.
Esta metodología implica iniciar la clase con un control de lectura y la participación y
aporte de los alumnos a la discusión será evaluada con aportes extras que suban el valor
del puntaje final.
También se realizará los talleres y laboratorios con las herramientas de software
disponibles.
7. EVALUACION:
Si queremos hacer unas clases participativas, este punto debe ser considerado en las
calificaciones. Esta participación se basara en el conocimiento adquirido en clases y en
las lecturas sobre la materia correspondiente. Adicionalmente se tendrán pruebas
informes de laboratorio y los exámenes y trabajos en grupo.
Cada una de las notas parciales está compuesta de 3 componentes, que se distribuyen de
la siguiente manera:
PUCE, Jorge Aguilar J.
Página iii
Control de lectura y participación en clase:
Pruebas y Laboratorios
Exámenes:
20%
30%
50%
Las notas serán oportunamente entregadas.
• Evaluaciones periódicas
• Exámenes máximo una semana antes de entrega de notas
8. BIBLIOGRAFIA:
Bibliografía
‰ Jorge Aguilar, Apuntes de Inteligencia Artificial.
‰ Donald Tveter (1998) The Pattern recognition Basis of Artificial Intelligence, IEEE Computer
Society
‰ The Brain Theory and Neural Networks, Second Edition Edited by Michael A. Arbib,
November 2002
‰ Hilera y Martínez (1995), Redes Neuronales Artificiales, Addison-Wesley
‰ Fremman y Skapura (1993),
Redes Neuronales, Addison-Wesley
‰ Melanie Mitchell (1997) An Introduction to Genetic Algorithms, the MIT press
‰ Haykin Simon (1998) Neural Networks: A Comprehensive Foundation (2nd Edition)
‰ En el enlace de e-libro de la biblioteca virtual, existen algunos libros dedicados al tema de redes
neuronales y computación evolutiva. Cualquiera de ellos contiene material útil.
Disponible en Internet
•
•
Krose Ben and van der Smagt (1996) An Introduction to Neural Networks,
Krose: http://carol.wins.uva.nl/~krose/
•
Backpropagation: (PMC) http://www.dontveter.com/
•
Redes de Bases Radial:
http://www.anc.ed.ac.uk/rbf/rbf.html
•
Mapas Auto organizativos
Laboratory of computer and information science adaptive informatics research center
http://www.cis.hut.fi/research/
•
Redes Bayesianas
David Heckerman, ``A Tutorial on Learning with Bayesian
http://citeseer.nj.nec.com/41127.html
Zoubin
Ghahramani,
``Learning
Dynamic
Bayesian
http://citeseer.nj.nec.com/ghahramani97learning.html
•
Networks``,
Networks``,
Computación Evolutiva:
Evoweb: http://evonet.lri.fr/
PUCE, Jorge Aguilar J.
Página iv
http://www.aic.nrl.navy.mil/galist/ información relacionada a la investigación en
algoritmos genéticos y otras formas de computación evolutiva.
http://evonet.dcs.napier.ac.uk/evoweb/ Dedicado a la computación evolutiva, siempre
• IEEE computational intelligence Society:
http://www.ieee-cis.org/
9. DATOS DEL PROFESOR.
a. Jorge Aguilar J. email: j.aguilar@computer.org,
jaaguilarj@puce.edu.ec
PUCE, Jorge Aguilar J.
Página v
Descargar