Este documento presenta el sílabo de un curso de inteligencia artificial. El curso introduce conceptos como redes neuronales, lógica difusa y algoritmos genéticos. Cubre temas como las neuronas biológicas y artificiales, diferentes tipos de redes neuronales, lógica difusa y computación evolutiva. El curso se enfoca en desarrollar la comprensión de los estudiantes a través de actividades teóricas y prácticas de laboratorio.

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.