1 de 16 (F01) - Plan Anual de Actividades Académicas a completar por el Director de Cátedra Año 2017 Departamento: SISTEMAS DE INFORMACION Carrera: INGENIERIA EN SISTEMAS DE INFORMACIÓN. Área: MODELOS. Asignatura: INTELIGENCIA ARTIFICIAL Nivel: 5° Tipo: CUATRIMESTRAL Titular: NO POSEE Asociado: NO POSEE. Adjunto: MAG. ING. MARIO M. FIGUEROA DE LA CRUZ JTP: MAG. ING. GUSTAVO MAIGUA Auxiliares: NO POSEE Planificación de la asignatura Debe contener como mínimo: Fundamentación de la materia dentro del plan de estudios. La tecnología en los sistemas de información se desarrolla de manera exponencial, y los algoritmos basados en Inteligencia Artificial se encuentran cada vez más insertos en todos los sistemas informáticos, por lo que resulta imprescindible poder estudiarlos y llegar conocerlos y poder aplicarlos. Resulta relevante incentivar la capacidad de resolver problemas en el área de Modelos en especial en lo que refiere a la Inteligencia Artificial aplicada, considerando el diseño, planificación y la capacidad de adaptación a las nuevas tecnologías informáticas, generando la capacidad de poder realizar cambios en las mismas. Para el logro de este propósito debe tenerse en cuenta el conocimiento vinculado a la investigación tecnológica (científica + técnica), con características que le son propias: búsqueda de la mejor calidad y nivel posible. Además considerar un aspecto vital en las tecnologías informáticas: el “conocimiento en permanencia”, con una sólida fundamentación como la que ofrecen los principios sobre lo que se basa la ciencia Propósitos u objetivos de la materia. Aplicar las Metodologías de representación y resolución de problemas utilizadas en Inteligencia Artificial para ser empleadas en el abordaje de situaciones que se presentara en la actividad profesional.
16
Embed
Planificación de Cátedrafrt.utn.edu.ar/departamentos/sistemas/F01/F01... · 2018-04-12 · 2 de 16 (F01) - Plan Anual de Actividades Académicas a completar por el Director de Cátedra
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
Departamento: SISTEMAS DE INFORMACION
Carrera: INGENIERIA EN SISTEMAS DE INFORMACIÓN.
Área: MODELOS.
Asignatura: INTELIGENCIA ARTIFICIAL
Nivel: 5°
Tipo: CUATRIMESTRAL
Titular: NO POSEE
Asociado: NO POSEE.
Adjunto: MAG. ING. MARIO M. FIGUEROA DE LA CRUZ
JTP: MAG. ING. GUSTAVO MAIGUA
Auxiliares: NO POSEE
Planificación de la asignatura
Debe contener como mínimo:
Fundamentación de la materia dentro del plan de estudios.
La tecnología en los sistemas de información se desarrolla de manera exponencial, y los algoritmos basados en Inteligencia Artificial se encuentran cada vez más insertos en todos los sistemas informáticos, por lo que resulta imprescindible poder estudiarlos y llegar conocerlos y poder aplicarlos. Resulta relevante incentivar la capacidad de resolver problemas en el área de Modelos en especial en lo que refiere a la Inteligencia Artificial aplicada, considerando el diseño, planificación y la capacidad de adaptación a las nuevas tecnologías informáticas, generando la capacidad de poder realizar cambios en las mismas. Para el logro de este propósito debe tenerse en cuenta el conocimiento vinculado a la investigación tecnológica (científica + técnica), con características que le son propias: búsqueda de la mejor calidad y nivel posible. Además considerar un aspecto vital en las tecnologías informáticas: el “conocimiento en permanencia”, con una sólida fundamentación como la que ofrecen los principios sobre lo que se basa la ciencia
Propósitos u objetivos de la materia.
Aplicar las Metodologías de representación y resolución de problemas utilizadas en Inteligencia Artificial para ser empleadas en el abordaje de situaciones que se presentara en la actividad profesional.
2 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
Implementar sistemas inteligentes utilizando lenguajes y herramientas de Inteligencia Artificial. Conocer la aplicabilidad, el desarrollo y la arquitectura de los sistemas inteligentes artificiales. Profundizar en el conocimiento de agentes inteligentes y su diseño, los distintos tipos, los ambientes en donde deben desenvolverse y la aplicabilidad en distintas situaciones planteadas. Intervenir en el desarrollo de sistemas basados en conocimiento y sistemas expertos.
• Contenidos
Unidad 1: Definiciones de IA Fundamento: La tecnología en los sistemas de información se desarrolla de manera exponencial, y los algoritmos basados en Inteligencia Artificial se encuentran cada vez más insertos en todos los sistemas informáticos, por lo que resulta imprescindible poder estudiarlos y llegar conocerlos y poder aplicarlos. Objetivos: Conocer lo que es la Inteligencia Artificial y las diferencias con los sistemas tradicionales.
Unidad 2: Evaluación de Complejidad Fundamento: Aplicabilidad de IA en problemas complejos donde las soluciones tradicionales resultan muy difíciles de implementar. Objetivos: Conocer los Diferentes algoritmos para diferentes aplicaciones en entornos complejos.
Unidad 3: Representación de Conocimiento Fundamento: La importancia de conocer los Sistemas Expertos y sus aplicaciones Objetivos: Adquirir conocimientos y destrezas de la aplicación de los Sistemas Expertos
Unidad 4: Deducción Natural y Razonamiento Fundamento: La Lógica Difusa que es y como se aplica en los controladores difusos. Objetivos: Conocer la forma de analizar y razonar de los humanos y su aplicación en los entornos de control
Unidad 5: Computación Evolutiva Fundamento: Los Algoritmos Genéticos su forma de funcionamiento y aplicaciones Objetivos: Aplicar los Algoritmos Genéticos en problemas de optimización
Unidad 6: Aprendizaje Automático y por supervisión Fundamento: Conocer los sistemas inteligentes que pueden aprender y los algoritmos que posibilitan tales funciones. Objetivos: Conocer las Redes Neuronales, los Modelos, topologías y aplicaciones.
3 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
Unidad 7:Combinación de técnicas de IA Fundamento: Conocer las combinaciones de los diferentes algoritmos y sus aplicaciones en entornos complejos. Objetivos: Ver aplicaciones de combinaciones de los diferentes algoritmos aprendidos en clase. Contenido de Unidades Ver ( Programa_Analítico_Detallado )
• Metodología de Enseñanza.
Las Clases teóricas son expositivas, en donde se presenta cada tema con soporte visual y en pizarra, donde los alumnos pueden participar de las mismas en forma activa, generando debates sobre las temáticas presentadas y proponiendo aplicaciones y soluciones a los diferentes planteos vistos. Al concluir cada tema explicado, se realizaran prácticos para afianzar los conocimientos adquiridos, donde se plantea a los alumnos un conjunto de problemas que deben resolver utilizando los conceptos presentados en las clases teóricas, y para lo cual se discuten abiertamente diferentes opciones de resolución considerando ventajas y desventajas del enfoque. Posteriormente deberán aplicar soluciones que trataran sobre el diseño y programación abarcando cada tema en particular. Laboratorios: Utilizando diferentes plataformas de software, los alumnos deben programar las soluciones desarrolladas en los trabajos prácticos. Los horarios de consulta se programan fuera del horario de clase, consensuando previamente con la disponibilidad horario de aulas libres y de los alumnos.
• Metodología de Evaluación.
Para lograr la regularidad de la materia, es necesario contar con el 75% de asistencia a las clases teóricas y prácticas, aprobar el 100% de los Trabajos Prácticos previstos, con una valorización mínima de 6 (seis) en cada uno de ellos incluyendo las instancias de recuperación previstas. Además se exigirá también la aprobación de una Evaluación Final consistente en un parcial integrador que abarca todas las temáticas vistas durante el dictado de la materia, el cual debe aprobarse con una nota mínima de 6 (seis). La promoción de la materia se obtendrá con una nota mínima de 7 (siete) promedio entre las notas de los trabajos prácticos previstos y el parcial integrador, esta situación también será extensible a las instancias de recuperación.
• Recursos didácticos a utilizar como apoyo a la enseñanza.
La U.T.N. Facultad Regional Tucumán dispone de laboratorios, bibliotecas físicas y virtuales, centros de documentación adecuados a los fines que se persiguen. Adicionalmente se elaboran carpetas virtuales con las presentaciones de los temas enseñados, para que cada alumno tenga la posibilidad de acceder a los contenidos de la materia.
4 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
La Cátedra dispone del Campus Virtual en el cual los alumnos pueden extraer el material de apuntes, videos explicativos y aplicativos de software, como también los enunciados de los Trabajos Prácticos, del Proyecto final y consultar su estado académico. Además, La cátedra interactúa con el Laboratorio de Robótica Educativa, donde los alumnos pueden utilizar las placas Arduino y kits de desarrollos de equipos, que posee dicho laboratorio, y tengan la posibilidad de desarrollar proyectos de IA aplicados a la robótica.
• Articulación horizontal y vertical con otras materias.
La materia tiene interrelación directa con las materias Investigación Operativa y Simulación, las cuales deben estar Regularizadas para que el alumno pueda realizar el cursado correspondiente, y aprobadas las materias Probabilidad y Estadísticas, Diseño de Sistemas y Matemática Superior. Para que se pueda rendir la materia, deben estar aprobadas previamente las materias Investigación Operativa y Simulación. Se prevén seminarios sobre Sistemas Expertos utilizando Visual-Prolog, también Logica Difusa en Java los cuales serán dictados por el área Simulación. También se realizaran talleres de aplicación de Arduino y Lego Mindstorms los cuales serán dictados por el laboratorio de robótica educativa.
• Cronograma estimado de clases.
La duración de la materia correspondiente a la comisión 5K1 es de un cuatrimestre. Las jornadas académicas de las clases teóricas, corresponden a los días Viernes desde las 16hs. y hasta las 18.15hs., y las practicas los días Miércoles entre las 14.00 y 16.15 hs. La duración de la materia correspondiente a la comisión 5K2 es de un cuatrimestre. Las jornadas académicas de las clases teóricas corresponden a los días Martes desde las 21.15hs. hasta las 23.30 hs., y las practicas los días Miércoles entre las 19 y 21.15 hs. Además se coordinaran clases de consulta a definir durante cada semana en función a la disponibilidad de los docentes y alumnos.
Ver ( Cronograma_de_Clases_y_Temas )
• Bibliografía.
Se detalla la misma en Programa Analítico que se adjunta
5 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
• Reuniones de cátedra programadas.
Se realizan reuniones periódicas quincenales entre los docentes de la cátedra a los efectos de controlar el correcto complemento entre las clases teóricas y prácticas y ver desviaciones que se presenten, y además analizar el cumplimiento del cronograma de clases.
• Seminarios de cátedra.
Está previsto seminarios semestrales sobre diferentes temática de la IA aplicada a diferentes entornos, a los efectos de mantener los conocimientos emergentes en el campo real de aplicaciones.
• Cuadro de horas estimadas para intensidad en la formación práctica
INTENSIDAD EN LA FORMACION PRÁCTICA (DE ACUERDO A LA RES. MINISTERIAL 786/09. VER
DESDE PAGINA 37 A 39)
FORMACION EXPERIMENTAL RESOLUCION DE PROBLEMAS
DE INGENIERIA
ACTIVIDADES DE PROYECTO Y
DISEÑO
30% 35% 35%
Programa_Analítico_Detallado Contenido Analítico UNIDAD 1: Definiciones de IA Temas: 1.1 Conceptos
1.2 Sistemas de búsqueda basados en métodos exhaustivos y heurísticos
1.3 Diferencias entre sistemas tradicionales y basados en IA
UNIDAD 2: Evaluación de Complejidad Temas: 2.1 Aplicabilidad de IA en problemas complejos
2.2 Los Diferentes algoritmos para diferentes aplicaciones en entornos complejos.
UNIDAD 3: Representación de Conocimiento Temas: 3.1 Formas de Representación del Conocimiento
3.2 Redes Semánticas y Marcos
3.3 Reglas de Producción
3.4 Sistemas Expertos
6 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
3.5 Motores de inferencia
3.6 Aplicaciones
UNIDAD 4: Deducción Natural y Razonamiento Temas: 4.1 Definiciones
20-jun FERIADO – Día paso a la Inmortalidad del Gral. Manuel Belgrano
33 21-jun Practica 5K1 / 5K2 RECUPERACION del TP2
34 23-jun Teórica 5K1 Redes Neuronales de Kohonen
14 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
Fechas Estimativas de Parciales y Recuperatorios (En caso de corresponder será consensuado con Dpto. Ciencias Básicas)
Área:
MODELOS Asignatura:
INTELIGENCIA ARTIFICIAL
Clase N° Semana
Académica Carácter Comisión Contenidos Temáticos
35 27-jun Teórica 5K1/5K2 Consulta integral de dudas sobre las temáticas vistas en clase
36 28-jun Parcial 5K1 / 5K2 PARCIAL INTEGRADOR
37 30-jun Teórica 5K1 Presentación de sistemas híbridos (redes Neuronales combinadas con SE y FL) Consulta integral de dudas sobre las temáticas vistas en clase
38 04-jul Teórica 5K2 Presentación de sistemas híbridos (redes Neuronales combinadas con SE y FL) Consulta integral de dudas sobre las temáticas vistas en clase
39 05-jul Practica 5K1 / 5K2 Corrección de TP que se presenten fuera de termino
40 07-jul Practica 5K1 / 5K2 Devolución de notas del Parcial integrador
42 02-Ago Practica 5K1 / 5K2 Devolución de notas finales y asignación de los Proyectos Finales de cátedra
15 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
Evaluación Abril 2017 Mayo 2017 Junio 2017 Julio 2017 Agosto 2017
Septiembre 2017
Octubre 2017
Noviembre 2017
Observaciones
1º Practico 10
Recuperación 1º Practico
24
2º Practico 14
Recuperación 2º Practico
21
Parcial Integrador
28
Recuperación Parcial Integrador
26
16 de 16
(F01) - Plan Anual de
Actividades Académicas a
completar por el Director de
Cátedra
Año 2017
Máquina Virtual : NO POSEE (En caso de corresponder) – Información para el Laboratorio, la misma debe ser lo más precisa posible
Área:
MODELOS Asignatura:
INTELIGENCIA ARTIFICIAL
Software Detalle Observaciones
Sistema Operativo A elección del alumno
Buscador A elección del alumno
MS Office No es necesario
Otro MatLab 7.0 Provisto para ser descargado en el campus virtual
Otro Visual Prolog 7.2 Provisto para ser descargado en el campus virtual
Otro Scratsh Provisto para ser descargado en el campus virtual
Otro XFuzzy 3.3 Provisto para ser descargado en el campus virtual
NOTA: Es responsabilidad exclusiva del Director de Cátedra que la VM esté armada y configurada adecuadamente, en función a las necesidades de la Asignatura.