PRESENTACION

ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ MANUEL FÉLIX LÓPEZ

CARRERA INFORMÁTICA

SEMESTRE SEPTIMO                    PERIODO ABR-SEPT/2013

PORTAFOLIO

AUTOR:

SECAIRA MORA JOSE ISAAC

MISIÓN

Formación de profesionales íntegros que conjuguen ciencia, tecnología y valores en su accionar, comprometidos con la sociedad en el manejo adecuado de programas y herramientas computacionales de última generación.

VISIÓN

Ser referente en la formación de profesionales de prestigio en el desarrollo de aplicaciones  informáticas y soluciones de hardware.

SILABO

Silabo de Inteligencia Artificial ii

ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ

MANUEL FÉLIX LÓPEZ

CARRERA DE INFORMÁTICA

SÍLABO DEL CURSO

INTELIGENCIA ARTIFICIAL II (CIENCIAS PROFESIONALIZANTES)

PERIODO SEMESTRAL: Abril 2014 / Agosto 2014

1.      CÓDIGO Y NÚMERO DE CRÉDITOS:

CÓDIGO: II0701

NÚMERO DE CRÉDITOS: 3 créditos (2 TEORÍA + 1 PRÁCTICA).         

SEMESTRE: Séptimo.                        PARALELO: A

2.      DESCRIPCIÓN DEL CURSO.

Inteligencia Artificial II es una materia que permite al estudiante adquirir conocimientos básicos de  estructuras y estrategias de búsquedas en espacio d estado, técnicas para el desarrollo de juegos inteligentes,  la programación lógica y su aplicación en la resolución de problemas del mundo real.

3.    PRE-REQUISITOS Y CO-REQUISITOS:

PRE-REQUISITO: II0601 INTELIGENCIA ARTIFICIAL I

     CO-REQUISITO:                  

                                          

4.     TEXTO Y OTRAS REFERENCIAS REQUERIDAS PARA EL DICTADO DEL CURSO TEXTO GUÍA:

Russell, S., Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda Edición. Pearson Education. España

BIBLIOGRAFÍA COMPLEMENTARIA

Palma M., José; Marin M. Roque. 2008. Inteligencia artificial, técnicas métodos y aplicaciones. Primera Edición. Mc Graw Hill. Chile.

Russel , S. 2008. Inteligencia Artificial Un enfoque moderno. Pearson. España

Vera, H. 2010. Curso de Inteligencia Artificial. Universidad Nacional Mayor San Marcos, Perú.

Bratko, I. 2011. Prolog Programming for Artificial Intelligence (International Computer Science Series). Cuarta Edición. Estados Unidos.

5. OBJETIVOS GENERALES DEL CURSO (RESULTADOS O LOGROS DE APRENDIZAJE DEL CURSO)

Los estudiantes serán capaces de demostrar sus conocimientos del contenido de inteligencia artificial II, través de los siguientes logros:

     (C4) Asociar los conceptos de teoría de grafos con un modelo matemático para comprender el funcionamiento básico de las técnicas de búsquedas de espacios de estado.

     (C4) Señalar las características de los algoritmos búsqueda informada y  no informada para entender su funcionamiento.

    (C3)  Emplear los principales algoritmos de búsqueda en espacios de estados en la resolución de problemas del mundo real.

    (C3) Resolver problemas de juego humano - máquina a través de técnicas de búsqueda entre adversarios.

    (C4) Analizar la teoría que sustenta la programación lógica mediante PROLOG para en el futuro profundizar en temas de sistemas inteligentes.

6.    TÓPICOS O TEMAS CUBIERTOS

7.       HORARIO DE CLASES.

16 Semanas por el semestre, más una semana cultural, 3 clases por semana de 60 minutos cada una.

                Martes: Dos horas de clases en el aula 306. (18h00 a 20h00)

                Jueves: Una hora de clases  en el aula 305. (18h00 a 19h00)

8. CONTRIBUCIÓN DEL CURSO EN LA FORMACIÓN DEL INGENIERO EN INFORMÁTICA

9.   RELACIÓN DEL CURSO CON EL CRITERIO RESULTADO DE APRENDIZAJE.

10.         EVALUACIÓN DEL CURSO.

11. RESPONSABLE DE LA ELABORACIÓN DEL SÍLABO Y FECHA DE PRESENTACIÓN Y         REVISIÓN:

AGENTES QUE PLANIFICAN

INTRODUCCIÓN

La planificación se puede ver como una forma de programación automática: el diseño  de un curso de acción que satisfará un cierto objetivo. Dentro de la comunidad de la simbólica, se ha asumido desde hace tiempo que algún tipo de sistema planificador debe formar parte de los componentes centrales de cualquier agente artificial. La planificación se puede observar como un problema de búsqueda en un espacio de estado.

La idea básica es dotar al agente planificador:

Representación del objetivo a alcanzar.

Representación de las acciones que puede realizar.

Representación del entorno.

Capacidad de generar un plan para alcanzar el objetivo.

CONTENIDO

ESTADOS BASADOS EN CARACTERÍSTICAS

Es realmente sencillo representar estados mediante el uso de modelos icónicos para etiquetar los nodos podamos visualizar los efectos de una acción sobre los estados. Sin embargo, también es posible definir grafos cuyos nodos estén etiquetados por características, pero, para hacerlo, necesitamos una forma de describir como una acción afecta a las características. Una técnica para describir dichos efectos fue introducida en el sistema STRIPS. La idea básica es definir un operador mediante tres listas. La primera, denominada lista de precondiciones, especifica aquellas características que han de tener un valor 1 y aquellas que han de tener un valor 0 de cara a que la acción pueda ser aplicada. La segunda, denominada lista a borrar, especifica aquellas características que cambian su valor de 1 a 0. La tercera, llamada lista a añadir, especifica aquellas características que cambiaran su valor de 0 a 1. Los valores de las características que no se indican de forma  explícita en las listas borrar y añadir no se cambian. Estas tres listas tienen un operador STRIPS un modelo de los efectos de una acción. También podamos ser capaces de entrenar una red neuronal para aprender a predecir los valores de un vector de características en el instante ((t)), a partir de sus valores en el instante ((t-1)) y de la acción ejecutada en el instante ((t-1)).

CONCLUSIÓN

se CONCLUYE que los estados basados en características son fácil de representar y para ello se utiliza un sistema llamado STRIPS, EL CUAL BRINDA LA IDEA BASICA DE DEFINIR TRES LISTAS LAS CUALES TENDRAN UN VALOR DE 1 A 0 con el objetivo De que podamos entrenar unA red neuronal artificial.

BIBLIOGRÁFICA

Russell, S., Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda Edición. Pearson Education. España

BÚSQUEDA A CIEGAS

INTRODUCCIÓN

Consiste en buscar un estado concreto entre un conjunto determinado, al cual se lo conoce como espacio de estados. Imaginemos, por ejemplo, una habitación con baldosines en la que hay un libro. Un robot se desea desplazar por la habitación con el fin de llegar a dicho libro. ¿De qué manera lo hará? En este punto es donde entran en juego las estrategias y los algoritmos de búsqueda.

Cuando el sistema agente posee algún tipo de información del medio, se utilizan técnicas de búsquedas informadas; sin embargo, si carece de conocimiento alguno, se deberán emplear algoritmos de búsqueda no informadas. En nuestro ejemplo, y para este último caso, podemos imaginar un robot que no posea ningún tipo de visión artificial, que únicamente sea capaz de moverse en horizontal o vertical de un baldosín a otro y detectar si en el baldosín se halla el libro.

cONTENIDO

Representación del espacio de estados

El conjunto de estados que el agente debe recorrer, generalmente se representa mediante un grafo, aunque en algunos casos concretos utilizaremos árboles. Siguiendo con nuestro ejemplo, cada nodo del grafo representará a uno de los baldosines de la habitación, y dos nodos serán adyacentes si también lo son sus baldosines correspondientes.

La búsqueda en profundidad

Supongamos que nuestro robot no tiene ninguna capacidad especial para poder moverse por la habitación de una manera eficiente (desconoce cualquier información útil para poder llegar al libro de la forma más corta): entonces deberá seguir un algoritmo de búsqueda no informada (“un método ciego”) para llegar hasta él. En general, este tipo de algoritmos recorre el espacio de estados de una forma concreta hasta dar con el objetivo (en este caso, el libro). Nuestro primer método se denomina búsqueda en profundidad.

La búsqueda en anchura

Otra opción para recorrer el espacio de estados sin conocer ninguna información acerca del mismo es recorrerlo en anchura. Como su nombre indica, el recorrido realizado se lleva a cabo visitando todos los nodos de un nivel, de izquierda a derecha, pasando posteriormente al nivel siguiente, hasta que se encuentre el nodo objetivo, momento en el que se detiene el algoritmo

CONCLUSIONES

El algoritmo de búsqueda en ANCHURA SE BASA EN NIVELES LO CUAL OCUPA MAYOR ESPACIO EN MEMORIA SIENDO AUN MENOS EFICIENTE QUE EL ALGORITMO DE BÚSQUEDA PRIMERO EN  PROFUNDIDAD EL CUAL SE BASA EN CAMINOS DESDE EL NODO RAÍZ  EN EL CASO QUE NO ENCUENTRE LA SOLUCIÓN DARÁ UN RETROCESO  Y TOMARA OTRA RUTA Y LO YA RECORRIDO NO LO MANTENDRÁ EN MEMORIA SIENDO MAS EFICIENTE QUE LA OTRA BÚSQUEDA.

BIOGRAFÍA

Palma M., José; Marin M. Roque. 2008. Inteligencia artificial, técnicas métodos y aplicaciones. Primera Edición. Mc Graw Hill. Chile.