9 g syllabus_esis_aplicaciones_difusas_2013_01 (1)

Pontificia Universidad Católica del Ecuador Sede Santo Domingo
Planificación y Currículo

1. DATOS INFORMATIVOS
ESCUELA: Sistemas
CARRERA: Ingeniería de Sistemas
Asignatura/Módulo: Aplicaciones difusa
Plan de estudios: Malla en vigencia
Prerrequisitos: INTELIGENCIA ARTIFICIAL II
Correquisitos: PROGRAMACIÓN AVANZADA
Período académico: 2013-01

Código:IS906
Nivel: Noveno
Código:IS804
Código:IS902
N° Créditos: 4

DOCENTE.
Nombre:
Mgt. Marco Polo silva Segovia

Grado académico o título profesional:
Magister en Arquitectura de la
información
Magister en ciencias de la Educación
Mención Planeamiento y
Administración Educativa
Breve reseña de la actividad académica y/o profesional:
Mgt. Marco Polo Silva Segovia
Docente en el Instituto Tecnológico Superior Aeronáutico I.T.S.A.
Docente de la Universidad Técnica de Cotopaxi U.T.C.
Docente en el convenio UTI-ITCA
Docente de Pregrado y Postgrado de la P.U.C.E.S.A.
Docente del Departamento de Ingeniería Eléctrica, Electrónica y Software de la E.S.P.E.L.
Docente de Pregrado y Postgrado del S.I.N.A.P.U.C.E.
Desarrollo de proyectos de investigación en las áreas de electrónica digital y micro programable,
Diseño de mecanismos y robótica, Automatización industrial e Inteligencia artificial aplicada al
diseño de robots humanoides y móviles.

Indicación de horario de atención al estudiante:
Teléfono: 0998399674

2.

DESCRIPCIÓN DEL CURSO

En esta materia se intenta hacer un compendio de temas vistos en materias que le
preceden; como Lógica Difusa, Inteligencia Artificial I, Inteligencia Artificial II,
Bases de datos, Simulación; y con este conjunto de técnicas y conceptos diseñar
y ejecutar aplicaciones orientadas al soporte de toma de decisiones, y la
administración de la incertidumbre.
3.

OBJETIVO GENERAL


Diseñar, desarrollar e implantar sistemas informáticos en el área de inteligencia
artificial, encaminados a satisfacer las necesidades del mercado; comprometido
con la ética profesional.

4.

RESULTADOS DE APRENDIZAJE

Nivel de desarrollo de
Al finalizar el curso, el/a estudiante estará en los
resultados
de
capacidad de
aprendizaje
Inicial / Medio / Alto
Analizar las áreas de aplicación de la inteligencia
artificial.
Caracterizar el funcionamiento de los diferentes
modelos de Controladores Difusos.
Comprender la estructura y la importancia de los
sistemas expertos en los diferentes ámbitos.
Discernir las diferencias y relaciones existentes
entre los diferentes modelos
de redes
neuronales artificiales.
Examinar las diversas áreas de aplicación de los
algoritmos genéticos.
Identificar las partes medulares de la minería de
datos.
Construir y analizar almacenes de datos.
Caracterizar a los Sistemas para el soporte de
decisiones.
Construir y analizar DSS

A
A
I
M

A
I
A
A
A


5. RELACIÓN CONTENIDOS, ESTRATEGIAS DIDÁCTICAS Y RESULTADOS DE APRENDIZAJE

1. AREAS DE ESTUDIO DE
LA INTELIGENCIA
ARTIFICIAL
1.1. Definición de áreas de
estudio, clasificación de
las áreas de estudio.
1.2. Aplicación de las áreas
de estudio
2. SISTEMAS DE CONTROL
DIFUSO
2.1. Introducción.
2.2. Tipos de Controladores
Difusos.
2.3. Definición de los
sistemas de control
difuso.

1a

2a

TRABAJO AUTÓNOMO
DEL/A ESTUDIANTE
N° de horas

Tutoría

Prácticas

*Investigar, preparar y socializar
un documento sobre las áreas de
1
estudio de la IA. (Trabajo
grupal)

4

2

Actividades

ESTRATEGIAS DE
ENSEÑANZA APRENDIZAJE

2

Conferencias
Construcción de
conceptos.

* Investigar y exponer una
aplicación realizada bajo el
enfoque de cualquiera de los
controladores difusos abordados
en clases.

Conferencias
Construcción de
conceptos.
Situaciones
problémicas.

2

RESULTADOS DE
APRENDIZAJE
Descripción

*Conocer las áreas y
las influencias que
tiene la inteligencia
artificial sobre ellas.

*Comprender el
funcionamiento de un
controlador difuso, e
identificar las áreas de
aplicación.

Valoración

EVIDENCIAS

CLASES
Teóricas

CONTENIDOS
(UNIDADES Y TEMAS)

SEMANA

N° HORAS

*Entrega de documento con
temas de presentación y
1
defensa.

*Entrega de documento con 1
defensa.


3. SISTEMAS EXPERTOS
3.1. Introducción a los
Sistemas Expertos.
3.2. Cómo trabajan los SE.
3.3. Tipos de SE. Ventajas y
desventajas de los SE.

4. REDES NEURONALES
4.1. Introducción a la Redes
Neuronales.
4.2. Componentes de una
Red Neuronal.
4.3. Modelos de RNA.

5. ALGORITMOS
GENETICOS
Algoritmos Genéticos.
5.2. Operadores de Cruce y
Mutación.
5.3. Algoritmos de

3a

4a

5a

2

4

4

2

Conferencias
Construcción de
conceptos.
Situaciones
problémicas.

* Lectura de Temas relacionados.

Conferencias
Talleres grupales
Situaciones
problémicas.
Construcción de
conceptos.

un documento sobre los
diferentes modelos de RNA y
las áreas aplicación. (Trabajo
grupal)

*Resolver ejercicios planteados
de cruce y mutación.
un documento sobre algoritmos
de aprendizaje y control.

*Comprender el
funcionamiento y
aplicabilidad de un
sistema experto.

2

2

*Comprender el
funcionamiento y
aplicabilidad de los
diferentes modelos de
RNA.

Conferencias
Talleres grupales
Construcción de
conceptos.
Situaciones
problémicas.

*Comprender en qué
consiste un algoritmo
genético.
*Conocer cuales son
sus aplicaciones
principales utilizando
lógicadifusas.

*Entrega de documento
sobre lecturas realizadas y
socializadas en clases.

1

1
defensa.

problemas planteados y
0,5
resueltos.
1
defensa.
*Evaluación de los cinco


aprendizaje y control

primeros capítulos
abordados.

6a
6. MINERIA DE DATOS
6.1. Sistemas de información.
6.2. La naturaleza y origen de
los datos.
6.3. DataWarehousing,
objetivos, acceso y
análisis.
6.4. OLTP y OLAP
6.5. Colección de datos y sus
problemas
7a
6.6. Organización y
estructura de los datos.
6.7. Visualización de datos.
6.8. Ejemplos teóricos.
6.9. Técnicas KDD
6.10. Cubos de información
y su estructura.
6.11. Funciones ETL
6.12. Introducción a Minería
de Datos.
6.13. Aplicaciones de

2

*Presentación de temática
en organizadores gráficos.

1

*Entrega de propuesta de
proyecto y defensa del
mismo.

1,5

4

*Construir un glosario de los
términos que usted considere
más importante en el contexto de
Minería de datos. (mínimo diez) 2

4

*Elaborar un proyecto de minería
de datos, el cual se
2
complementará en lo posterior
con DSS. (Primera Fase, es
grupal)

Conferencias
Construcción de
conceptos.
Situaciones
problémicas
Talleres grupales

*Distinguir las partes
medulares de la
Minería de datos.
* Comprender la
estructura de un
almacén de datos(DW).
* Construir un almacén
de datos de forma
óptima.
Explicar cuando hacer
uso de la minería de
datos y cuando no.

Minería de Datos

6.14. Fuentes de
información del Data
Mining.

8a

1

3

EXAMEN PRIMER
BIMESTRE

4


6.15. Algoritmos de Data
6.16.
6.17.

Revisión de Portafolio

Mining.
Etapas del proceso de
Data Minig.
Extención dela data
Mining.
9a
Conclusiones.
Análisis de aplicativos.

6.18.
6.19.
7. APLICACIONES DE
LOGICA DIFUSA
7.1. Características y
capacidades de un DSS.
7.2. Primer avance de
proyecto.
7.3. Componentes de un DSS
7.4. Subsistemas de un DSS
7.5. Segundo avance de
proyecto.
7.6. Hardware requerido
para un DSS.
7.7. Tercer avance de
proyecto.
7.8. Clasificación de un DSS.
7.9. Cuarto avance de
proyecto.
7.10. Lineamientos
generales de la
implementación de un
DSS.
7.11. Quinto avance de
proyecto.
7.12. Etapas de un DSS.

10a

11a

12a

1

1

3

2

2

2

2

2

2

*Realizar una síntesis de todo lo
relacionado con los DSS.
(Características, componentes,
clasificación, etapas de
desarrollo).

*Analizar, diseñar e implementar
un DSS. (Área seleccionada por 16
los estudiantes)

13a

2

2

14a

2

2

2

Conferencias
Construcción de
conceptos.
Plenario
Lluvia de ideas
Talleres grupales

* Comprender la
estructura de un
Sistema de Soporte a
las Decisiones (DSS).
medulares de un DSS.
* Analizar, diseñar e
implementar un DSS.
* Evaluar el
comportamiento y
rendimiento de un
DSS.

*Presentación de temática
en organizadores gráficos.

2

*Prueba 2do Bimestre

2

*CD con programas fuentes
y ejecutables del DSS.
3
*Presentación del proyecto
final escrito y Defensa del
proyecto Final.

2


7.13. Última
revisiónproyecto.

15a

7.14. Defensa proyecto.

16a
17a

1

3
4
4

EXAMEN SEGUNDO
BIMESTRE

5

Revisión Portafolio

1


6. METODOLOGÍA Y RECURSOS
a.

METOLOGÍA
Los temas y subtemas componentes de esta materia, serán socializados,
disertados y analizados, por el profesor, a través de enfoques dinámicos y
participativos; se pondrá mayor énfasis en los apartados de mayor complejidad
o que sean susceptibles de confusión. Se realizaran talleres de grupos
pequeños de estudiantes para resolver los diferentes problemas planteados, se
realizaran foros de discusión sobre determinados temas, además se enviaran
trabajos aplicativos y de investigación para ser resueltos fuera del aula, estos
trabajos pueden ser grupales o individuales, esto dependiendo de la
complejidad de los mismos; los trabajos de investigación serán expuestos en el
aula por los estudiantes.

b. RECURSOS
Se utilizará como recurso bibliográfico importante para el desarrollo de esta
materia el folleto Guía diseñado y estructurado por el docente de esta materia;
además de URL que permitirán tener acceso a más información relevante
concerniente a esta materia.
Además se hará uso de computador y proyector para proyectar diapositivas.
En los recursos convencionales se utilizará la pizarra, tiza líquida y borrador.

7. EVALUACIÓN

TIPO DE EVALUACIÓN
1. PARCIAL
2. PARCIAL
3. FINAL
TOTAL

CRONOGRAMA

CALIFICACIÓN
15
15
20
50


8. RÚBRICAS DE EVALUACIÓN DE EVIDENCIAS
UNIDADES Y TEMAS

1. AREAS DE ESTUDIO
DE LA
INTELIGENCIA
ARTIFICIAL
1.1. Definición de áreas
de estudio,
clasificación de las
áreas de estudio.
Aplicación de las
áreas de estudio
2. SISTEMAS DE
CONTROL DIFUSO
2.1. Introducción.
2.2. Tipos de
Controladores
Difusos.
Definición de los
sistemas de control
difuso.
3. SISTEMAS
EXPERTOS
Sistemas Expertos.
3.2. Cómo trabajan los
SE.
3.3. Tipos de SE.
Ventajas y
desventajas de los
SE.
4. REDES
NEURONALES
4.1. Introducción a la
Redes Neuronales.
4.2. Componentes de
una Red Neuronal.
4.3. Modelos de RNA.

5. ALGORITMOS
GENETICOS

RESULTADO
DE
APRENDIZAJE

*Conocer las áreas y
las influencias que
tiene la inteligencia
artificial sobre ellas.

*Comprender el
funcionamiento de un
controlador difuso, e
identificar las áreas
de aplicación.

*Comprender el
funcionamiento y
aplicabilidad de un
sistema experto.

*Comprender el
funcionamiento y
aplicabilidad de los
diferentes modelos de
RNA.

*Comprender en qué
consiste un algoritmo
genético.
*Conocer cuales son

EVIDENCIA

*Entrega de
documento con
temas de
presentación y
defensa.

*Entrega de
documento con
temas de
presentación y
defensa.

*Entrega de
documento sobre
lecturas realizadas
y socializadas en
clases.

*Entrega de
documento con
temas de
presentación y
defensa.

*Entrega de
documento con
problemas

CRITERIOS
DE
EVALUACIÓN
Puntualidad en
entrega.
Originalidad.
Argumentación
de contenidos.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos.
Puntualidad en
entrega.
Originalidad.
Argumentación
de contenidos.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos.
Puntualidad en
entrega.
Originalidad.
Argumentación
de contenidos.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos.
Puntualidad en
entrega.
Originalidad.
Argumentación
de contenidos.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos.
Puntualidad en
entrega.
Originalidad.
Argumentación


Algoritmos
Genéticos.
5.2. Operadores de
Cruce y Mutación.
Algoritmos de
aprendizaje y
control.

6. MINERIA DE DATOS
6.1. Sistemas de
información.
6.2. La naturaleza y
origen de los datos.
6.3. Data Warehousing,
objetivos, acceso y
análisis.
6.4. OLTP y OLAP
6.5. Colección de datos
y sus problemas
6.6. Organización y
estructura de los
datos.
6.7. Visualización de
datos.
6.8. Ejemplos teóricos.
6.9. Técnicas KDD
6.10. Cubos de
información y su
estructura.
6.11. Funciones ETL
6.12. Introducción a
Minería de
Datos.
6.13. Aplicaciones de
6.14.
6.15.
6.16.
6.17.
6.18.
6.19.

Minería de Datos
Fuentes de
información del
Data Mining.
Algoritmos de
Data Mining.
Etapas del
proceso de Data
Minig.
Extención de la
data Mining.
Conclusiones.
Análisis de
aplicativos.

sus aplicaciones
principales utilizando
lógica difusa.

planteados y
resueltos.
*Entrega de
documento con
temas de
presentación y
defensa.
*Evaluación de
los cinco primeros
capítulos
abordados.

de contenidos.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos.

Puntualidad en
entrega.
Originalidad.
Argumentación
de contenidos.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos.

medulares de la
Minería de datos.
* Comprender la
estructura de un
almacén de datos
(DW).
* Construir un
almacén de datos de
forma óptima.
Explicar cuando
hacer uso de la
minería de datos y
cuando no.

*Presentación de
temática en
organizadores
gráficos.
*Entrega de
propuesta de
proyecto y
defensa del
mismo.
*Evaluación de
conocimiento del
capitulo sexto.


7. APLICACIONES DE
LOGICA DIFUSA
7.1. Características y
capacidades de un
DSS.
7.2. Primer avance de
proyecto.
7.3. Componentes de un
DSS
7.4. Subsistemas de un
DSS
7.5. Segundo avance de
proyecto.
7.6. Hardware requerido
para un DSS.
7.7. Tercer avance de
proyecto.
7.8. Clasificación de un
DSS.
7.9. Cuarto avance de
proyecto.
7.10. Lineamientos
generales de la
implementación
de un DSS.
7.11. Quinto avance de
proyecto.
7.12. Etapas de un
DSS.

7.13.
7.14. Última revisión
proyecto.

7.15. Defensa
proyecto.

9. BIBLIOGRAFÍA

*Presentación de
temática en
organizadores
gráficos.
* Comprender la
estructura de un
Sistema de Soporte a
las Decisiones (DSS).
medulares de un
DSS.
* Analizar, diseñar e
implementar un DSS.
* Evaluar el
comportamiento y
rendimiento de un
DSS.

*Técnica de
evaluación de
avance de
proyecto.
*CD con
programas fuentes
y ejecutables del
DSS.
*Técnica de
evaluación de la
Defensa del
proyecto Final.
*Evaluación de
conocimiento de
la materia.

Puntualidad en
entrega.
Originalidad.
Ortografía
Dominio de
contenido
Cumple con los
compromisos
adquiridos
Procura la
atención de sus
compañeros.


a. BÁSICA
Bibliografía
(basarse en normas APA)
Montero José, 2007, Minería de datos Técnicas
y Herramientas, Madrid, ISBN: 978-84-9732492-2
Freire María, 2008, Dirección y Gestión de los
Sistemas de información en la empresa,
Madrid, ESIC editorial

¿Disponible en
Biblioteca a la
fecha?
NO

No. Ejemplares
(si está
disponible)
NINGUNO

NO

NINGUNO

¿Disponible en
Biblioteca a la
fecha?

No. Ejemplares
(si está
disponible)

SI
NO
NO

1
NINGUNO
NINGUNO

¿Disponible en
Biblioteca a la
fecha?
NO

No. Ejemplares
(si está
disponible)
NINGUNO

NO
NO

NINGUNO
NINGUNO

NO

NINGUNO

b. COMPLEMENTARIA
Bibliografía
Rich, Elaine, 1998, Inteligencia artificial,
Galaviz José, 2002,Algoritmos genéticos
Marcos Gestal, 2010, Introducción a los
algoritmos genéticos y a la programación
genética.

c.

RECOMENDADA
Bibliografía

C. Laudon Kenneth, 2004, Sistemas de
Información Gerencial
Pérez César,2008, Minería de Datos
Viera, Ortiz, 2009, Introducción a Minería de
Datos
Zaldivar, Cuevas, 2006, Desarrollo de
controladores difusos

d.

BIBLIOTECAS VIRTUALES Y SITIOS WEB RECOMENDADOS

http://es.wikipedia.org/wiki/Sistemas_de_soporte_a_decisiones
www.aprenderaprogramar.com › ... › Tendencias en programación
http://repositorio.espe.edu.ec/bitstream/21000/5279/1/AC-EL%C3%89CTRICA-ESPE033213.pdf
http://wwwdi.ujaen.es/asignaturas/sd/pdfs/transpa9-sd.pdf
http://www.slideshare.net/CCamaleon5/logica-difusa-e-inteligencia-artificial
http://www.asidegroup.com/SonlosDSSsoloparalasgrandesempresas.pdf


http://www.slideshare.net/arturobq/dss-presentation

Revisado:

_______________________
f) Coordinación de Docencia

Fecha: ____________

Aprobado:
_______________________
f) Director de Escuela
Fecha: ____________
_______________________
Por el Consejo de Escuela

Fecha: ____________

9 g syllabus_esis_aplicaciones_difusas_2013_01 (1)

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (7)

Similar a 9 g syllabus_esis_aplicaciones_difusas_2013_01 (1)

Similar a 9 g syllabus_esis_aplicaciones_difusas_2013_01 (1) (20)

Más de MARCO POLO SILVA SEGOVIA

Más de MARCO POLO SILVA SEGOVIA (20)

Último

Último (20)

9 g syllabus_esis_aplicaciones_difusas_2013_01 (1)