Main

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:


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.

Conceptos sobre inteligencia maquina (CI-maquina)
Los componentes principales de los sistemas inteligentes
Sistemas difusos
Redes neuronales
Algoritmos Evolutivos
Sistemas híbridos
Nuevos Paradigmas (SVM, PSO, ACO).

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.

Antecedentes de los conjuntos difusos
Conceptos sobre conjuntos difusos y lógica difusa
Subconjuntos difusos
Variables lingüísticas
Funciones de membresía
Difusión (Fuzzification)
Desdifusion (Defuzzification)
Descripción de los Conjuntos Difusos Tipo-2

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.

Sistemas de control difusos
Construcción de sistemas de control difusos
Mapas cognoscitivos difusos
Sistemas Expertos Difusos
Aplicaciones diversas

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.

Matlab Fuzzy Logic Toolbox, Editor de FIS
FuzzyClips, FuzzJess

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

Neuronas humanas y neuronas artificiales
Sistemas dinámicos neuronales
Modelos de activación
Neural-Networks Toolbox de Matlab

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

Aprendizaje no supervisado
Leyes de aprendizaje no supervisado
Mapas auto organizados (SOM)
Aprendizaje supervisado
Algoritmo de retro propagación
Otros algoritmos de aprendizaje supervisado

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.

Sistemas evolutivos o genéticos; mecánica de procesamiento
Algoritmos genéticos
Códigos de cadenas
Fundamentos matemáticos de los algoritmos genéticos
Reproducción
Cruza
Mutación
Métodos de selección
Mapeo de funciones objetivo a forma de aptitud
Escalamiento de aptitud

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.

Estrategias evolutivas
Programación evolutiva
Programación genética
Campos de aplicación de los algoritmos genéticos
Optimización topológica y parametrica
Aprendizaje computacional y Reconocimiento de patrones
Planeación y programación de la producción
Sistemas de comunicación
Visión computacional
Procesamiento de lenguaje natural

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.

Principios generales de los AIS
AIS más representativos
Selección Negativa (negative selection),
Selección Clonal (clonal selection),
Redes Inmunes (immune networks) y
Célula Dendrítica (dendritic cell)
Principios generales de PSO
Algoritmos y aplicaciones de PSO

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.

Sistemas Neuro-Difusos
Fundamentos de ANFIS
ANFIS en Matlab
Sistemas Genético-Difusos y Neuro-Genéticos
Aplicaciones Diversas

Diapositivas del curso


Proyectos


Material de lectura

Bibliografía

  1. Pedrycz, Witold, Computational Intelligence: An Introduction, Boca Raton, CRC Press, 1998.
  2. Sinha, Naresh K., (Ed), Soft Computing & Intelligence Systems: Theory & Applications, San Diego Calif., Academic Press, 2000.
  3. Kosko, Bart, Fuzzy Engineering, New Jersey : Prentice Hall, 1997.
  4. Pal, Sankar K., Mitra, Sushimita, Neuro-Fuzzy Pattern Recognition: Methods in Soft Computing, New York, Wiley Interscience Publication, 1999.
  5. Cordon, Oscar, Genetic Fuzzy Systems: Evolutionary Tuning and Learning of Fuzzy Knowledge Bases, Singapore, World Scientific, 2001.
  6. Michalewicz, Zbigniew, Genetic Algoritms + Data Structures = Evolution Programs, Berlin, Springer -Verlag, 1996.
  7. Ibrahim, Ahmad M. Introduction to Applied Fuzzy Electronics, New Jersey, Prentice Hall, 1997.
  8. Kerre, Etienne, (Ed) Fuzzy Techniques in Image Processing: Techniques and applications, Heidelberg, Physica - Verlag, 2000
  9. Piero P. Bonissone, Fuzzy Logic and Soft Computing, Technology Development and Applications, General Electric CRD, Schenectady, USA, 1996
  10. J. Kennedy, R. C. Eberhart, Swarm Intelligence. San Francisco , CA : Morgan Kaufmann , 2001 , ISBN 978-1-55860-595-4.
  11. A. Eiben. J. E. Smith. Introduction to Evolutionary Computing. Natural Computing Series, Springer, 2010.
  12. R. Poli, W. B. Langdon. A Field Guide to Genetic Programming. Available online at:, 2008.
  13. J. Koza. Genetic Programming. MIT Press, 1992.
  14. X. Yu, M. Gen. Introduction to Evolutionary Algorithms. Decision Engineering Series, Springer, 2010.

Links


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

Oyentes