![2
Redes autoorganizadas. Semana 08
Redes autoorganizadas: ejercicios de aplicación como compresor de
imágenes, clustering de información.
Semana 09
Redes neuronales radial basic. Comparación con la red MLP. Semana 10
Lógica difusa: introducción. Semana 11
Codificación (fuzzification). Decodificación (defuzification). Semana 12
Computación evolutiva Semana 13
Aplicaciones en optimización de procesos de control. Semana 14
6. METODOLOGÍA
El curso se realiza desde el enfoque teórico y práctico. El enfoque teórico comprende
actividades individuales (exposición, explicación y solución de problemas), promoviendo la
participación activa de los estudiantes a través del diálogo permanente, a fin de consolidar
el aprendizaje de los temas.
El enfoque práctico se desarrolla por medio de experiencias en el laboratorio de cómputo,
con la ayuda de un software de simulación que permiten realizar la demostración de los
temas tratados.
7. SISTEMA DE EVALUACIÓN
El promedio final del curso será
0.1PC1 + 0.1PC2 + 0.2PC3 +
0.2PL + 0.4EF
PC1, PC2 y PC3 son Prácticas Calificadas
Individuales
PL es Promedio de Laboratorios Calificados
([LC1 + LC2 + LC3] / 3)
EF es Examen Final
Nota:
Sólo se podrá rezagar el Examen Final.
El examen rezagado incluye los contenidos de todo el curso.
No se elimina ninguna práctica calificada.
La nota mínima aprobatoria es 12 (doce).
8. FUENTES DE INFORMACIÓN
Bibliografía base:
BONIFACIO, MARTÍN DEL BRIO: “Redes Neuronales y Sistemas Borrosos”.
Edición 2010
DEMUTH, HOWARD; HAGAN MARTIN AND BEALE: “Neural Network
TOOLBOX”.2009
Bibliografía complementaria:
PASSINO KEVIN M. YURKOVICH STEPHEN. “Fuzzy Control”. Edición 2010
HAYKIN, SIMON. “Neural Networks”. Edición 2009
9. CRONOGRAMA DE ACTIVIDADES](https://image.slidesharecdn.com/a151w0i9inteligenciaartificial1-150109180626-conversion-gate01/85/A151-w0i9-inteligenciaartificial-1-2-320.jpg)
A151 w0i9 inteligenciaartificial(1)
- 1. 1 SÍLABO W0I9 INTELIGENCIA ARTIFICIAL 2015-1 1. DATOS GENERALES Facultad: Ingeniería de Sistemas y Electrónica Carrera: Ingeniería Mecatrónica Número de créditos: 03 Coordinador: Alberto Alvarado Rivera Requisitos: WCT3 Control III 2. FUNDAMENTACIÓN El presente curso permitirá al estudiante comprender y desarrollar algoritmos para el reconocimiento de patrones, basado en la teoría de las redes neuronales artificiales. Asimismo, aprende el uso de una teoría alternativa de control de procesos a través de los conceptos de lógica difusa. 3. SUMILLA El curso inicia con una introducción a la inteligencia artificial, sistemas expertos, lógica difusa, algoritmos genéticos y redes neuronales, esta a su vez comprende: características, elementos básicos y aplicaciones, asimismo, fundamentos de neurona biológica y artificial. Se desarrolla el procesamiento neuronal con los tipos de arquitectura, aprendizaje, reglas de aprendizaje, aplicaciones reales tales como control de calidad, visión robótica entre otras. 4. LOGROS DE APRENDIZAJE El alumno conoce diversas topologías en redes neuronales, lógica difusa y algoritmos genéticos para la solución de problemas de ingeniería. 5. CONTENIDOS Introducción al Curso: Redes neuronales, lógica difusa y algoritmos genéticos. Semana 01 Fundamentos biológicos de neurona, inspiración biológica para las redes neuronales, procesamiento neuronal biológico y artificial. Semana 02 Redes neuronales: conceptos, características, topologías. Semana 03 Red Perceptron Semana 04 Red neuronal lineal: ADALINE. Limitaciones de da la red neuronal lineal y propuesta de una red neuronal MLP. Semana 05 Red neuronal Perceptron multicapa (MLP). Algoritmo Least Mean Square y Back Propagation. Semana 06 Aplicaciones como aproximador universal de funciones, clasificador de padrones (Ejemplo: nariz electrónica), clasificador de riesgo financiero. Semana 07
- 2. 2 Redes autoorganizadas. Semana 08 Redes autoorganizadas: ejercicios de aplicación como compresor de imágenes, clustering de información. Semana 09 Redes neuronales radial basic. Comparación con la red MLP. Semana 10 Lógica difusa: introducción. Semana 11 Codificación (fuzzification). Decodificación (defuzification). Semana 12 Computación evolutiva Semana 13 Aplicaciones en optimización de procesos de control. Semana 14 6. METODOLOGÍA El curso se realiza desde el enfoque teórico y práctico. El enfoque teórico comprende actividades individuales (exposición, explicación y solución de problemas), promoviendo la participación activa de los estudiantes a través del diálogo permanente, a fin de consolidar el aprendizaje de los temas. El enfoque práctico se desarrolla por medio de experiencias en el laboratorio de cómputo, con la ayuda de un software de simulación que permiten realizar la demostración de los temas tratados. 7. SISTEMA DE EVALUACIÓN El promedio final del curso será 0.1PC1 + 0.1PC2 + 0.2PC3 + 0.2PL + 0.4EF PC1, PC2 y PC3 son Prácticas Calificadas Individuales PL es Promedio de Laboratorios Calificados ([LC1 + LC2 + LC3] / 3) EF es Examen Final Nota: Sólo se podrá rezagar el Examen Final. El examen rezagado incluye los contenidos de todo el curso. No se elimina ninguna práctica calificada. La nota mínima aprobatoria es 12 (doce). 8. FUENTES DE INFORMACIÓN Bibliografía base: BONIFACIO, MARTÍN DEL BRIO: “Redes Neuronales y Sistemas Borrosos”. Edición 2010 DEMUTH, HOWARD; HAGAN MARTIN AND BEALE: “Neural Network TOOLBOX”.2009 Bibliografía complementaria: PASSINO KEVIN M. YURKOVICH STEPHEN. “Fuzzy Control”. Edición 2010 HAYKIN, SIMON. “Neural Networks”. Edición 2009 9. CRONOGRAMA DE ACTIVIDADES
- 3. 3 Semana Contenidos o temas Actividad Semana 1 Introducción al curso: redes neuronales, lógica difusa y algoritmos genéticos. El alumno entiende de la importancia de la Inteligencia Artificial Semana 2 Fundamentos biológicos de neurona, inspiración biológica para las redes neuronales. Procesamiento neuronal biológico y artificial. El alumno entiende de los fundamentos de las redes neuronales artificiales y su comparación con el modelo biológico Semana 3 Redes neuronales: conceptos, características, topologías. Tipos de entrenamiento, funciones de transferencia. Aplicaciones industriales y control de calidad. Introducción a la Red Perceptron Simple. Característica, topología, función de Transferencia. El alumno entiende de las características de las redes neuronales artificiales Semana 4 Red perceptron, algoritmo de aprendizaje, aplicaciones como clasificadores. Limitaciones ejemplo XOR. Ejercicios El alumno entiende la complejidad y desarrolla algoritmos de la red perceptron Semana 5 Red neuronal lineal: ADALINE. Arquitectura, algoritmo de aprendizaje. Aplicaciones como aproximador lineal de funciones y filtro adaptativo. Limitaciones de da la red neuronal lineal y propuesta de una red neuronal MLP. El alumno entiende de la red neuronal lineal y sus aplicaciones. Práctica Calificada 1 Semana 6 Red neuronal Perceptron multicapa (MLP): necesidad de su creación, arquitectura, topologías, función de transferencia, limitaciones. Algoritmo least mean square y back propagation. El alumno analiza de la red Perceptron multicapa Laboratorio Calificado 1– Grupo A. El grupo B realiza tarea domiciliaria Semana 7 Aplicaciones como aproximador universal de funciones, clasificador de padrones (Ej. Nariz electrónica), clasificador de riesgo financiero. El alumno analiza las aplicaciónes de la redes MLP Laboratorio Calificado 1– Grupo B. El grupo A realiza tarea domiciliaria Semana 8 Redes Autoorganizadas: conceptos de neurociencia de autoorganización cerebral. Red neuronal autoorganizada (Kohonen). Arquitectura, algoritmo de aprendizaje. Aplicaciones como reductor de dimensiones para datos de visión artificial. El alumno entiende de las redes autoorganizadas y de su aplicación Práctica Calificada 2. Semana 9 Redes autoorganizadas: ejercicios de aplicación El alumno entiende de
- 4. 4 como compresor de imágenes, clustering de información. las redes autoorganizadas y sus aplicaciones. Laboratorio Calificado 2– Grupo A. El Grupo B realiza tarea domiciliaria. Semana 10 Redes neuronales radial basic. Arquitectura, algoritmo de aprendizaje, ventajas, desventajas. Aplicaciones como aproximador de funciones. Comparación con la red MLP. Laboratorio Calificado 2– Grupo B. El Grupo A realiza tarea domiciliaria. Semana 11 Lógica difusa: introducción, conjuntos borrosos, variables lingüísticas. El alumno entiende de la lógica difusa. Práctica Calificada 3 Semana 12 Codificación (fuzzification). Decodificación (defuzzification). Evaluación de reglas. Estructura de controlador difuso modelo mandani Aplicación de un controlador difuso para de péndulo Invertido. El alumno entiende de la codificación y de la decodificación en base a un controlador difuso. Laboratorio Calificado 3– Grupo A. El Grupo B realiza tarea domiciliaria. Semana 13 Computación evolutiva: características, teoría de evolución de Charles Darwin. Algoritmos genéticos. Función objetivo. Operadores genéticos. El alumno entiende de la computación evolutiva. Laboratorio Calificado 3– Grupo B El Grupo A realiza tarea domiciliaria. Semana 14 Aplicaciones en optimización de procesos de control, selección de variables para redes neuronales, problema del viajante. El alumno realiza aplicaciones de redes neuronales en diferentes campos de la ingeniería. Semana 15 Examen Final FECHA DE ACTUALIZACIÓN: 21/11/2014.