Diseo de especialidades para las carreras del Sistema Nacional de Educacin Superior Tecnolgica (SNEST)

1.- DATOS DE LA ASIGNATURA

Nombre de la asignatura:

Carrera:

Clave de la asignatura:

Horas teora-horas prctica-crditos:Herramientas par la Toma de decisiones I

Ingeniera en Sistemas Computacionales

BDE-07034-0-8

2.- HISTORIA DEL PROGRAMA

Lugar y fecha de elaboracin o revisinParticipantesObservaciones

(cambios y justificacin)

Instituto Tecnolgico de Toluca, del 07 al 25 de Agosto de 2006Representante de Comit del Posgrado en Ciencias de la Computacin Definicin de los programas de estudios para la especialidad en Inteligencia Artificial

Institutos tecnolgicos de TolucaAcademias de la carrera de Sistemas y Computacin y Academia del Posgrado en Ciencias en Ciencias ComputacionalesAnlisis y enriquecimiento de las propuestas de los programas diseados en la reunin nacional de evaluacin

3.- UBICACIN DE LA ASIGNATURA

a). Relacin con otras asignaturas del plan de estudio

AnterioresPosteriores

AsignaturasTemasAsignaturasTemas

Matemticas Discretas;

Inteligencia Artificial ITodosToma de decisiones IITodos

b). Aportacin de la asignatura al perfil del egresado

Capacidad de anlisis, de desarrollo y de programacin de modelos matemticos, estadsticos y de simulacin de comportamientos humanos.

Coordina y realiza investigaciones que fortalezcan el desarrollo cultural, cientfico y tecnolgico.

Aplica nuevas tecnologas a la solucin de problemas de su entorno laboral.

Desarrolla interfaces hombre-mquina.

4.- OBJETIVO(S) GENERAL(ES) DEL CURSO

Conocer las herramientas de Inteligencia Artificial con las que se elaboran sistemas para la toma de decisiones a partir del anlisis de datos

5.- TEMARIO

UnidadTemasSubtemas

1

2

3

4

5

6

7Introduccin al Reconocimiento de Patrones

Sistemas Expertos

Procesamiento de Lenguaje Natural

Visin

Mtodos Bayesianos

Tcnicas de agrupamiento

Redes Neuronales

1.1. Reconocimiento de Objetos

1.2. Similaridad de Patrones y Trabajos en RP

1.4.1. Clasificacin

1.4.2. Regresin

1.4.3. Descripcin

1.3. Clases, Patrones y Muestras

1.4. RP Approaches

1.4.1. Datos Clustering

1.4.2. Clasificacin Estadstica

1.4.3. Redes Neuronales

1.4.4. RP Estructural

1.5. Proyecto

1.5.1 Tareas de Proyecto

1.5.2 Tratamiento y Muestras

1.5.3 Software de RP

2.1 Introduccin a los Sistemas Expertos

2.2 Representacin el Conocimiento

2.3 Mtodo de Inferencia

2.4 Aplicaciones Wucshell

3.1 Introduccin a los lenguajes formales

3.2 Redes de Transicin aumentada

3.3 Aplicaciones

3.3.1 Recuperacin de Informacin

3.3.2 Extraccin de Informacin

3.3.3 Generacin de gramticas

4.1. Adquisicin de la imagen

4.2. Segmentacin de la imagen

4.3. Mejoramiento de la imagen

4.4. Mejoramiento de la Imagen

4.5. Deteccin de Contornos

5.1. Incertidumbre

5.2. Sistemas de Razonamiento Probabilstica

5.1.1. Introduccin

5.1.2. Introduccin a Inferencia Bayesiana

5.1.3. Teorema de Bayes

5.1.4. Teorema de Bayes Aplicado

5.3. Redes Bayesianas

5.1.1. Introduccin

5.1.2. Definicin

5.1.3. Ilustracin con redes bayesianas

5.4. Implicaciones algoritmos con redes bayesianas

5.5. Usos prcticos de las redes bayesianas

5.6. Limitaciones de las redes bayesianas

6.1. Introduccin

6.2. Tipos de Datos

6.3. Mtodos de Agrupamiento

6.4. Algoritmo k-medias

6.5. Ejemplos

7.1. Introduccin

7.1.1. Neurona Biolgica

7.1.2. Neurona Computacional

7.1.3. Algoritmos de Aprendizaje

7.1.4. Topologa

7.2 Perceptrn

7.3 Introduccin al Perceptn Multicapa

7.4 Introduccin a la red SOM

7.5 Neurosolution

7.6 Aplicaciones

6.- APRENDIZAJES REQUERIDOS

Contenidos de Inteligencia Artificial I, Matemticas Discretas,

7.- SUGERENCIAS DIDCTICAS

Propiciar la bsqueda y seleccin de informacin sobre temas de inteligencia humana y artificial.

Organizar exposicin de temas por equipo.

Elaborar un proyecto vinculado a problemas de juegos.

Propiciar debates sobre temas relacionados, con sesiones de preguntas y respuestas.

Propiciar la resolucin en conjunto de problemas relacionados con la materia.

Utilizar un software para el diseo y anlisis de los temas del curso.

Desarrollar un mapa conceptual sobre inteligencia artificial, donde se establezcan los conceptos y sus relaciones.

8.- SUGERENCIAS DE EVALUACIN

Desarrollo de proyecto final (informe, presentacin y defensa del proyecto).

Evaluacin de informes sobre tareas o trabajos de investigacin.

Evaluacin escrita.

Desempeo y participacin en el aula.

9.- UNIDADES DE APRENDIZAJE

Unidad 1: Introduccin al Reconocimiento de Patrones

Objetivo EducacionalActividades de AprendizajeFuentes de Informacin

Comprender la teora del Reconocimiento de Patrones as como los diversos enfoques que se emplean Conocer la definicin de Reconocimiento de Patrones

Identificar el concepto de Similaridad

Conocer las diferentes tareas y aplicaciones del reconocimiento de patrones

Identificar los diferentes elementos que integran el enfoque de Reconocimiento de Patrones Sintctico Estructural.

Conocer diversas aplicaciones del Reconocimiento de Patrones Sintctico Estructurales.

19,20,21

Unidad 2: Sistemas Expertos

Objetivo EducacionalActividades de AprendizajeFuentes de Informacin

Comprender la teora de Sistemas Expertos y conocer la manera de implementarlos utilizando Wucshell Identificar los diferentes elementos que integran a un Sistema Experto.

Identificar las diferentes formas de representacin de conocimiento.

Ejemplificar el proceso de inferencia en una base de conocimientos.

Investigar otros usos que se le pude dar a la teora de lenguajes libres de contexto.

Desarrollar ejemplos de aplicacin utilizando Wucshell.

Investigar sobre otros shells para desarrollo de sistemas expertos.

4,16,17,18

Unidad 3: Procesamiento de Lenguaje Natural

Objetivo EducacionalActividades de AprendizajeFuentes de Informacin

Comprender la teora de lenguajes de contexto libre y su representacin Identificar los diferentes tipos de lenguajes de acuerdo a la clasificacin de Chomsky.

Realizar ejercicios que permitan desarrollar la habilidad para representar lenguajes libres de contexto.

Utilizar un lenguaje de alto nivel para representar lenguajes libres de contexto, solamente como casos tipo.

Investigar otros usos que se le pude dar a la teora de lenguajes libres de contexto.

Investigar nuevas tcnicas para la representacin de lenguajes libres de contexto.

10,11,12,13,

14,15

Unidad 4: Visin Artificial

Objetivo EducacionalActividades de AprendizajeFuentes de Informacin

Conocer los fundamentos de una imagen digital as como .los tipos de mejoramiento de una imagen digital tanto en su dominio espacial como en el de frecuencia. Conocer los conceptos de imagen digital.

Conocer los Tipos de imgenes

Desarrollar los pasos para el procesamiento de las imgenes digitales.

Elementos de la percepcin visual

Conocer las diferentes formas de adquirir una imagen digital

Conocer las operaciones bsicas en las imgenes

Ejemplos de un Histograma

Operaciones aritmtico lgicas

Conocer los diferentes Filtros espaciales

Conocer los filtros del dominio de frecuencia

Realizar diferentes practicas en un software libre5,21,

22,23,

24,25,26

Unidad 5: Mtodos Bayesianos

Objetivo EducacionalActividades de AprendizajeFuentes de Informacin

Comprender la teora Probabilidades y los Mtodos Bayesianos, y se introducir a los procesos aleatorios. Identificar la naturaleza, relevancia y aplicabilidad de la teora de Redes Bayesianas para temas con formas avanzadas de computabilidad

Se examinar un cierto nmero de aplicaciones usando redes Bayesianas.

Se revisarn las limitaciones de las Redes Bayesianas para la interaccin humano-computadora y el aprendizaje automatizado.

9

UNIDAD 6: Tcnicas de agrupamientoObjetivo EducacionalActividades de AprendizajeFuentes de Informacin

Comprender los elementos bsicos y algoritmos elementales de agrupamiento Identificar los diferentes tipos de datos y sus caractersticas.

Identificar los diferentes criterios de agrupamiento (particin y jerrquicos)

Conocer la algoritmia del K-Medias

Realizar pruebas de escritorio del algoritmo K-medias3,1

Unidad 7: Redes Neuronales Artificiales

Objetivo EducacionalActividades de AprendizajeFuentes de Informacin

El estudiante aprender los conceptos bsicos de las redes neuronales artificiales ms usadas: Perceptron, Perceptron Multicapas y SOM Identificar la equivalencia de comportamiento de las partes de la neurona biolgica y la neurona computacional.

Identificar los diferentes tipos y la utilidad de las reglas de aprendizaje: supervisadas y no supervisadas.

Con la ayuda de Neurosolutions construir una red de cada uno de los siguientes tipos: Perceptron, Perceptron Multicapas, y SOM.

Aplicar las redes construidas a un problema de toma de decisiones.2, 22

10. FUENTES DE INFORMACIN

1.- Pattern Recognition, Concepts, Methods and Applications J.P. Marques de S Springer

2.- Notas del curso de e-Learning Dr. Eduardo Gasca Alvarez

3.- Finding Groups In Data. An Introduction to cluster Analysis Leonard Kaufman/ Peter J.Rousseuw Wiley Inter-s Science

4.- Sistemas Expertos Principios y Programacin Giarratano Ruley

5.- Tratamiento Digital de imgenes Rafael Gonzalez and Woods Prentice Hall

6.- Inteligencia Artificial un enfoque moderno Stuart Russell & Peter Norving Prentice Hall

7.- The Pattern Recognition Basis in Artificial Intelligence R. Tveter

8.- Pattern Recognition: Statistical, Structural and Neural Approaches Robert J. Schalkoff John Wiley & Sons, Inc., 1992

9.- An introduction to Bayesian Networks and the Contemporary Applications; Daryle Niedermayer; Dic 1998; http://www.niedermayer.ca/papers/bayesian/10.- Compiladores Principios, tcnicas y herramientas, Aho, Sethi, Ullman Addison Wesley.

11.- Compiladores Conceptos Fundamentales, Teufel, Schmidt, Teufel, Addison-Wesley Iberoamericana.

12.- Chomsky, Noam. Temas tericos de gramtica generativa. De. Siglo XXI. 5a de. Mxico. 1990

13.- Hopcroft, J. & Ullman, J. Introduccin a la teora de autmatas, Lenguajes y Computacin. Ed. CECSA. 1a. Ed. Mxico.199314.- Herbert Schildt. Artificial Intelligence Using C (Cap. 4 Lenguaje Natural). Ed. Mc Graw Hill., 1987

15.-Kennedy, Ruby, L.; Solving Data Mining Problems through Pattern Recognition; Prentice Hall, 1998.

16.- Fohmann, L. Knowledge Acquisition and Machine Learning. A. I. and Expert Systems. Editor Stuart Savory. John Wiley & Sons.USA. 1988.

17.- Rich, E. & Knight, K. Inteligencia Artificial. McGraw Hill . 2a. ed. Espaa 1994.

18.- David W. Rolston. Principios de Inteligencia Artificial y Sistemas Expertos. Editorial McGraw Hill.

19.- Escudero, L.F. Reconocimiento de Patrones. Ed. Paraninfo. Espaa. 1977

20.- Gonzlez, R. & Thomason, G. Syntactic Pattern Recognition. An introduction.

Addison Wesley Publishing Co. USA. 1978.

21.-Tou, Julius, T. Gonzalez, R; Pattern Recognition Principles; Addison Wesley, 1974

22.- The image processing Handbook ; John C. Russ, CRC press 1994 USA

23.- Digital Image processing; Kenneth R. Castleman, Prentice Hall 1996 USA

24.- Computer Vision and Image processing, Linda Shapro and Azriel Rarenteld

Academic Press, USA 1992.

25.- Introduction techniques for Computer vision, Gmanuele trucco Alessandro Verri, Prentice may USA 1998

26.-Image Processing and Patter Recognition; Cornelious T. Leondes,Academic Press (Vol 5 of neural networks).

27.- Manuales de uso de Neurosolution

Se llen la tabla

nuevo

PAGE 10