Inteligencia Computacional I
INSTITUTO NACIONAL DE ASTROFÍSICA, ÓPTICA Y ELECTRÓNICA
Maestría en Ciencias Computacionales
Inteligencia Computacional I
Primavera 2015
Dr. Carlos Alberto Reyes; kargaxxi(at)inaoep.mx
Dr. Hugo Jair Escalante; hugojair(at)inaoep.mx
Horario: Martes y Jueves de 15:00 am a 16:30 pm. Salón 8301
Avisos:
- Página en línea (Enero 20)
- TEMARIO EN PDF (Enero 20)
- CARPETA CON MATERIAL DEL CURSO! (Enero 29)
- Actualización material de curso ! (Marzo 11)
- Actualización material de curso ! (Marzo 25)
- Material de Cómputo Evolutivo ! (Abril 15)
Temario del curso
Objetivo.
Introducir al alumno al estudio, investigación y aplicación de las metodologías de sistemas difusos, redes neurales y algoritmos evolutivos, como campos emergentes dentro de las Ciencias Computacionales y como componentes básicos del área de Inteligencia Computacional o Computación Suave, así como al uso de herramientas que faciliten la aplicación de dicho conocimiento para el desarrollo de proyectos de investigación o de aplicaciones tecnológicas novedosas.
Aunque el curso es teórico-practico, la parte teórica será solo la básica necesaria. Mayor énfasis será puesto en el desarrollo de sistemas, explorando principalmente su aplicación en sistemas de control, sistemas de visión, reconocimiento de imágenes y de bio-señales, clasificación de objetos estelares y de toma de decisiones.
Metodología.
El curso se enfoca en las tres principales sub-áreas de la inteligencia computacional: los sistemas difusos, las redes neuronales y los algoritmos evolutivos. La evaluación se realizará a través de tareas, exámenes, la presentación de artículos (oral y por escrito) y el desarrollo de un proyecto.
Contenido.
1. Introducción a la Inteligencia Computacional
OBJETIVO: Introducir al alumno al estudio de los sistemas inteligentes de uso mas generalizado, partiendo del concepto moderno de inteligencia maquina comparado con el concepto tradicionalista de inteligencia artificial. El estudiante comprenderá la importancia del estudio e investigación de las áreas que intervienen en la implementación de sistemas inteligentes, así como los intentos de duplicar funciones inteligentes humanas en todo tipo de maquinas y artefactos utilizados por el ser humano.
2. Introducción a la Teoría Difusa
OBJETIVO: Introducir al alumno al conocimiento de las matemáticas difusas por medio del estudio de las bases formales de los conjuntos difuso y la lógica difusa.
3. Sistemas Difusos
OBJETIVO: El alumno será capaz de utilizar los conceptos básicos de las matemáticas difusas para el desarrollo de algunos sistemas difusos simples aplicables a la solución de diferentes tipos de problemas.
4. Herramientas para Desarrollo de Sistemas Difusos
Objetivo: Conocer el uso de algunas herramientas disponibles de software para desarrollo rápido de prototipos y aplicaciones de diversos tipos de sistemas difusos, así como su simulación y prueba.
5. Redes Neuronales
OBJETIVO: Introducir al alumno al estudio de modelos conexionistas que emulan el comportamiento funcional de las neuronas y circuitos neuronales humanos, conocidos como redes neurales, así como su uso como una herramienta adecuada para las funciones de aprendizaje y entrenamiento de sistemas inteligentes dinámicos
6. Aprendizaje y Tipos de Redes Neuronales
OBJETIVO: Capacitar al estudiante en el conocimiento y aplicación de los diferentes tipos de aprendizaje en las redes neuronales, y de los diferentes tipos de redes neurales, así como los usos mas adecuados para cada caso
7. Algoritmos Evolutivos
OBJETIVO: Introducir al alumno a los principios de la teoría de los sistemas evolutivos, tomando como base a los algoritmos genéticos, tanto sus fundamentos tomados de la evolución natural como sus fundamentos matemáticos formales y su funcionamiento como algoritmos optimizantes.
8. Desarrollo de Algoritmos Evolutivos
OBJETIVO: Introducir al alumno las principales variantes de algoritmos evolutivos. Desarrollar en el estudiante la habilidad de analizar y diseñar algoritmos evolutivos buscando las mejores alternativas y métodos para la solución de problemas particulares. Proporcionar además las herramientas necesarias para la investigación de la aplicación de algoritmos evolutivos en diferentes campos.
9. Introduccion a los Algoritmos Inmunes e Inteligencia de Enjambre
OBJETIVO: Introducir los conceptos y fundamentos de los Sistemas Inmunes Artificiales y de los algoritmos inspirados por la naturaleza, principalmente los relacionados con la inteligencia de enjambre como los de Optimización por Enjambre de Partículas (PSO) y la Optimización por Colonia de Hormigas (ACO), así como las aplicaciones principales de los algoritmos más representativos.
10. Sistemas Híbridos
Objetivo: Combinar las ventajas de las redes neurales con las de los sistemas difusos y de los algoritmos genéticos, para formar sistemas mas robustos y versátiles con la capacidad tanto de optimizar como de aprender y de hacer razonamiento aproximado.
Diapositivas del curso
Proyectos
Material de lectura
Bibliografía
- Pedrycz, Witold, Computational Intelligence: An Introduction, Boca Raton, CRC Press, 1998.
- Sinha, Naresh K., (Ed), Soft Computing & Intelligence Systems: Theory & Applications, San Diego Calif., Academic Press, 2000.
- Kosko, Bart, Fuzzy Engineering, New Jersey : Prentice Hall, 1997.
- Pal, Sankar K., Mitra, Sushimita, Neuro-Fuzzy Pattern Recognition: Methods in Soft Computing, New York, Wiley Interscience Publication, 1999.
- Cordon, Oscar, Genetic Fuzzy Systems: Evolutionary Tuning and Learning of Fuzzy Knowledge Bases, Singapore, World Scientific, 2001.
- Michalewicz, Zbigniew, Genetic Algoritms + Data Structures = Evolution Programs, Berlin, Springer -Verlag, 1996.
- Ibrahim, Ahmad M. Introduction to Applied Fuzzy Electronics, New Jersey, Prentice Hall, 1997.
- Kerre, Etienne, (Ed) Fuzzy Techniques in Image Processing: Techniques and applications, Heidelberg, Physica - Verlag, 2000
- Piero P. Bonissone, Fuzzy Logic and Soft Computing, Technology Development and Applications, General Electric CRD, Schenectady, USA, 1996
- J. Kennedy, R. C. Eberhart, Swarm Intelligence. San Francisco , CA : Morgan Kaufmann , 2001 , ISBN 978-1-55860-595-4.
- A. Eiben. J. E. Smith. Introduction to Evolutionary Computing. Natural Computing Series, Springer, 2010.
- R. Poli, W. B. Langdon. A Field Guide to Genetic Programming. Available online at:, 2008.
- J. Koza. Genetic Programming. MIT Press, 1992.
- X. Yu, M. Gen. Introduction to Evolutionary Algorithms. Decision Engineering Series, Springer, 2010.
Links
- http://www.soft-computing.de/
- http://neural.cs.nthu.edu.tw/jang/nfsc.htm
- http://ohm.utp.edu.co/neuronales/
- http://www.cs.berkeley.edu/projects/Bisc
- http://www.artificial-immune-systems.org/
- http://www.gp-field-guide.org.uk/
- http://liinwww.ira.uka.de/bibliography/Ai/genetic.programming.html
- http://www.inaoep.mx
Estudiantes:
Inscritos
- Castañeda Cisneros, Josué
- Castillo Avila, Arlem Aleida
- Hernández Castañón, Viviana del Rocío
- Hernández Tadeo, José Rafael
- Higuera Tinoco, Obed
- Ortiz Esquivel, Ariel Esaú
- Ricaño Zúñiga, Rodolfo
- Rodríguez Torres, Fredy
- Salinas Ramírez, Hugo