CARRERA DE INGENIERÍA DE SISTEMAS

SÍLABO
INTELIGENCIA ARTIFICIAL

I. DATOS GENERALES

1.1. Carrera Profesional : Ingeniería de Sistemas

1.2. Área Académica : Ingeniería de Sistemas
1.3. Ciclo : VI
1.4. Semestre : 2014 – I
1.5. Prerrequisito : Modelamiento y Simulación
1.6. Carácter : Obligatorio
1.7. Créditos : 04
1.8. Horas Semanales : 05 (HT: 03 / HP: 02)
1.9. Duración del Curso : 17 Semanas
Inicio: 31 de marzo del 2014
Término: 25 de julio del 2014

II. FUNDAMENTACIÓN

La Inteligencia Artificial (IA) es un área de la ciencia que estudia la teoría y la aplicación de técnicas
de solución de problemas inspirada en la inteligencia natural humana. Se basa en el procesamiento
simbólico del conocimiento para aproximar y replicar procesos como la percepción, raciocinio,
aprendizaje, evolución y adaptación con el fin de formular aplicaciones inteligentes como la toma
de decisiones, optimización, reconocimiento de patrones y aprendizaje, entre otros.
El conocimiento de los conceptos fundamentales de IA permite dotar al estudiante de capacidades
necesarias para formula soluciones computacionales inteligentes a problemas complejos. Por tal
motivo, este curso es de naturaleza teórico-práctico y pertenece al área de formación profesional
de Ingeniería de Sistemas.
Las técnicas más estudiadas en IA son Agentes Inteligentes, Sistemas Expertos, Aprendizaje de
Máquina, Redes Neuronales, entre otros.

III. COMPETENCIAS

Se promueve aplicar las estrategias de búsquedas y aprendizaje para la resolución de problemas,

emular el conocimiento de un experto, aplicar la lógica difusa, implementar algoritmos genéticos
para resolver problemas de optimización e implementar redes neuronales en computador;
apelando a la creatividad del alumno y respetando la opinión de sus compañeros.

1
CARRERA DE INGENIERÍA DE SISTEMAS

IV. PROGRAMACIÓN ACADEMICA

SESIÓN CONTENIDOS CRITERIO A EVALUAR

1. Conceptos y fundamentos de la IA
01 2. Agentes Inteligentes, sistemas expertos, y
Aprendizaje de Máquinas (Aprendizaje
Inteligencia
Supervisado y Aprendizaje no Supervisado).
Artificial 3. Lenguajes de programación en IA
4. Formulación del Proyecto
02
Solución de
Problemas con 1. El Agente Inteligente.
Métodos de 2. La estructura de los agentes.
Búsqueda 3. Ejemplos y aplicaciones.

03
1. Conceptos del agente solucionador de problemas.
Solución de 2. Buscando soluciones.
Problemas con 3. Estrategias de búsqueda.
Métodos de 4. Desarrollo de un agente inteligente.
Búsqueda 5. Ejemplos y aplicaciones.
1. ¿Qué es un Sistema Experto?
04 2. Componentes de un Sistema Experto.
Sistemas Expertos
3. Sistemas basados en reglas y probabilidades. E1
4. Aplicaciones.
5. Desarrollo de un sistema experto.
1. Introducción.
05
2. Aprendizaje Supervisado (Regresión).
Aprendizaje de 3. Regresión Lineal (Una Variable)
Máquina Regresión 4. Regresión Lineal (Multiples Variables)
5. Aplicaciones y Ejercicios usando Matlab u Octave.
06
1. Aprendizaje Supervisado (Clasificación)
2. Regresión Logística.
E2
Aprendizaje de
Máquina 3. Regularización
Clasificación 4. Aplicaciones y Ejercicios usando Matlab u Octave.

07
1. Diseño y desarrollo de sistemas (proyectos)
Aplicaciones básicas usando Aprendizaje de Máquinas en aplicaciones
de Aprendizaje de
Máquinas
empresariales e industriales usando Matlab u
Octave.
E3

08
Examen 1 EP
09 1. ¿Qué es una Red Neuronal?
Introducción a 2. Componentes de una Red Neuronal.
Redes Neuronales - 3. Ejemplos e Intuición de una Red Neuronal.
Representación 4. Construcción de bloques de alimentación
adelantada.
10 1. Función de Costo.
2. Propagación hacia atrás.
Redes Neuronales - 3. Aplicaciones y Ejercicios usando Matlab u Octave. E4
Aprendizaje

2
CARRERA DE INGENIERÍA DE SISTEMAS

11 1. Consejos para aplicar Aprendizaje de Máquinas.

Aprendizaje de 2. Diseño de Sistemas en aprendizaje de Máquinas.
Máquina – 3. Máquinas de vectores de soporte (SVM).
Consejos, Diseño de 4. Aplicaciones y Ejercicios usando Matlab u Octave.
Sistemas y SVM

12
1. Diseño y desarrollo de sistemas (proyectos)
Aplicaciones de usando redes neuronales en aplicaciones E5
Redes Neuronales empresariales e industriales usando Matlab u
Octave.
13
Aprendizaje de
1. Agrupación (Clustering).
Máquina –
2. Reducción de Dimensión.
Aprendizaje no
3. Aplicaciones y Ejercicios usando Matlab u Octave.
Supervisado I

14
Aprendizaje de 1. Detección de anomalías.
Máquina – 2. Sistema de Recomendación.
Aprendizaje no 3. Aplicaciones y Ejercicios usando Matlab u Octave.
Supervisado II

15
1) Presentación de Proyectos E6
Proyectos
E7
16 EXAMEN FINAL EXAMEN FINAL (EF)
17 EXAMEN DE APLAZADOS EA

V. ESTRATEGIAS DE APRENDIZAJE

5.1. Utilización de la metodología activa participativa: Método de casos, Aprendizaje basado en

problemas (ABP), Tandem, Rompecabezas, Discusión controversial, etc.
5.2. Exposición, participación y diálogo conjunto del estudiante y el docente.
5.3. Desarrollo de casos y tareas para ser elaboradas por los estudiantes en casa.
5.4. Dinámicas grupales de análisis de soluciones algorítmicas de casos presentados en clase.
5.5. Laboratorios dirigidos y calificados. Se consideran cuatro laboratorios calificados dos en la primera
unidad y dos en la segunda unidad. Todas las clases restantes tendrán la segunda parte de clase un
laboratorio dirigido.

VI. MEDIOS Y MATERIALES

 Módulo de auto aprendizaje

 Medios impresos digitales (PDFs y programas)
 Medios audiovisuales (Proyector multimedia)
 Artículos técnicos
 Internet.

3
CARRERA DE INGENIERÍA DE SISTEMAS

VII. EVALUACIÓN

 La evaluación es permanente, formativa y sistemática teniendo en cuenta el desempeño

del estudiante en las actividades programadas. se aplicarán pruebas para medir el
rendimiento del estudiante, en conocimientos, procedimientos y en actitudes, las mismas
que serán pruebas estandarizadas y estructuradas por los docentes de cada asignatura,
para ello se usara como instrumentos de evaluación (Cuestionarios, Lista de cotejo, Ficha
de observación, Batería de preguntas, Cuestionarios, Lista de cotejo y otros)
 La asistencia a clases es obligatoria. El 30% de inasistencias inhabilita al estudiante en la
asignatura.
 Los criterios de evaluación serán publicados en la sesión/semana correspondiente.
 El promedio final de la asignatura se obtiene según formula PF.

Semana Descripción Abreviatura Ponderación Fecha Porcentaje

4 Evaluación Continua 1 E1 5%
6 Evaluación continua 2 E2 5%
7 Informe y sustentación E3 10%
40%
de trabajos 1
8 Examen Parcial EP 20 % Del 19 al 24 de
mayo del 2014
10 Evaluación continua 3 E4 5%
12 Evaluación continua 4 E5 10%
15 Informe final y E6 10%
sustentación de trabajos 60%
15 Evaluación actitudinal E7 10%
16 Examen Final EF 25% Del 14 al 19 de
julio
17 Examen de Aplazados EA Del 23 al 25 de
julio

Evaluación Actitudinal (*)

Asistencia 8
Trabajo en Equipo 4
Responsabilidad 4
Respeto 4

Los pesos serán tratados tal cual se indica en la fórmula señalada en el siguiente recuadro:
EL PROMEDIO FINAL del curso estará dado por la siguiente fórmula señalada en el siguiente
recuadro:
PF: E1*0.05+E2*0.05+E3*0.1+EP*0.2+E4*0.05+E5*0.1+E6*0.1+E7*0.1+EF*0.25

4
CARRERA DE INGENIERÍA DE SISTEMAS

VIII. REFERENCIAS BIBLIOGRÀFICAS

 S. Russell, P. Norving, “Artificial Intelligence : A Modern Approach” 3ra Ed. Prentice Hall. 2010 ISBN:
0-13-790395-2
 H. Brighton, H. Selina, “Introducing Artificial Intelligence”, Tótem Books 2004, ISBN 1840464631.
 C. Leondes, “Expert Systems: The Technology of Knowledge Management”, Leondes Editor, 2002.
 S. N. Sivanandam, “Introduction to Fuzzy Logic using MATLAB”, Edit. Springer, 2007.
 Hilera y Martínez, “Redes Neuronales Artificiales” Alfaomega, México, 2000
 Isasi Viñuela, Pedro y Galván, Inés M., “Redes de Neuronas Artificiales: Un Enfoque Práctico”
Editorial: Pearson Educacion 2004
 Bonifacio Martín-del-Brío y Alfredo Sanz-Molina, “Redes Neuronales y Sistemas Borrosos”
Editorial RA-MA, Madrid (España), 2001. ISBN 84-7897-466-0
 S. Haykin, “Neural Networks and Learning Machines”, 3rd Ed. Prentice Hall, 2008, ISBN-13:
9780131471399.
 Yaser S. Abu-Mostafa, “Learning From Data”, AMLBook, 2012, ISBN: 1600490069

DIRECCIONES DE INTERNET:

 The American Association for Artificial Intelligence  http://www.aaai.org

 European Coordinating Committee for Artificial Intelligence  http://www.eccai.org
 Society for A.I. and Simulating of Behavior  http://www.cogs.susx.a
 Genetic Programming  http://www.genetic-programming.com
 Medical Vision Group  http://www.ai.mit.edu/projects/medical-vision/
 Visual Surveillance and Monitoring http://www.ai.mit.edu/projects/vsam/
 Learning and Vision  http://www.ai.mit.edu/projects/lv/
 Humanoid Robotic Group http://www.ai.mit.edu/projects/humanoid-robotic-group/