Upload
nguyendien
View
218
Download
0
Embed Size (px)
Citation preview
I
INGENIERÍA EN SISTEMAS
COMPUTACIONALES
APLICACIONES DE
INTELIGENCIA ARTIFICIAL
AII-ES
REV00
II
DIRECTORIO
Secretario de Educación Pública
Dr. José Ángel Córdova Villalobos
Subsecretario de Educación Superior
Dr. Rodolfo Tuirán Gutiérrez
Coordinadora de Universidades Politécnicas
Mtra. Sayonara Vargas Rodríguez
III
PÁGINA LEGAL
Participantes
M.C.C. Donají Lorena Sedano Flores - Universidad Politécnica de Zacatecas (UPZ)
M.C.C. Juan Jaime Fuentes Uriarte – Universidad Politécnica del Valle del Évora (UPVE)
Mtro. Roberto Arturo Sánchez Herrera – Universidad Politécnica de Tulancingo (UPT)
Primera Edición: 2012
DR 2012 Coordinación de Universidades Politécnicas.
Número de registro:
México, D.F
ISBN-----------------
IV
ÍNDICE
INTRODUCCIÓN ............................................................................................................................................ 1
PROGRAMA DE ESTUDIOS .......................................................................................................................... 2
FICHA TÉCNICA ............................................................................................................................................. 3
DESARROLLO DE LA PRÁCTICA O PROYECTO........................................................................................... 5
INSTRUMENTOS DE EVALUACION ............................................................................................................... 7
GLOSARIO ................................................................................................................................................... 17
BIBLIOGRAFÍA ............................................................................................................................................ 29
1
INTRODUCCIÓN
Las tecnologías de información en la actualidad han mejorado las actividades de los seres
humanos en diferentes aspectos de la vida, con lo que se exige desarrollo de aplicaciones
de software con mayor capacidad de autonomía, precisión y coherencia para obtener
resultados de manera rápida y eficaz. En este curso el alumno identificará los tipos de
aplicaciones que puede desarrollar a partir de las técnicas de la Inteligencia Artificial y sus
paradigmas contribuyendo así a que la información necesaria en la toma de decisiones sea
procesada de manera ágil y con la mayor precisión posible.
El presente manual presenta una serie de actividades de enseñanza aprendizaje que
permiten alcanzar el objetivo de la asignatura de Aplicaciones de Inteligencia Artificial; para
que el alumno conozca ampliamente las técnicas actuales de inteligencia artificial así como
sus paradigmas, lo que le permitirá trasferir situaciones del mundo real en aplicaciones
intuitivas y precisas que ayuden a obtener datos correctos en los tiempos establecidos.
El manual de asignatura está compuesto por cinco unidades, en el número uno se describe
el estado del arte de las aplicaciones de inteligencia artificial en la ingeniería computacional,
teniendo como producto una exposición de los temas mencionados. En la unidad dos se
proponen técnicas de representación de la incertidumbre que incluyen problemas que
ayudan al alumno en su compresión. En la unidad número tres se propone el estudio del
aprendizaje automático incluyendo la resolución de problemas. En la unidad número cuatro
se plantea el uso de ontologías y el planteamiento de soluciones haciendo uso del lenguaje
de las mismas y por último, se hace un recorrido por las aplicaciones generales de la
inteligencia artificial.
2
PROGRAMA DE ESTUDIOS
Presencial NO Presencial Presencial NO Presencial
EP2 Representa la solución diseñada a un
problema de incertidumbre en el diagrama de la
técnica de representación de incertidumbre
numérica o no numérica.
Estrategia de Apertura,
Actividad focal introductoria,
Estrategia de desarrollo,
Elaboración y guía de soluciones problemas
con técnicas de representación de la
incertidumbre.
Ejercicios expuestos en clase,
Estrategia de cierre,
Resolución de ejercicios
Lluvia de ideas
Estudio de casos
Implementar la
representación de la
solución a los ejercicios
propuestos
Resumen
N/A X N/A N/A N/A
Bibliografía
Manual de referencia del
lenguaje de programación
Marcadores
Pizarrón
Computadoras, Pizarrón,
Videoproyector Documental
EP2 Lista de cotejo para
representación de la solución
del problema en el diagrama de
la técnica numérica o no
numérica de incertidumbre.
EP2 Diseña la solución a un problema planteado
haciendo uso del razonamiento basado en casos.
Estrategia de Apertura,
Actividad focal introductoria,
Estrategia de desarrollo,
Elaboración y guía de razonamiento basado
en casos
Ejercicios expuestos en clase,
Estrategia de cierre,
Resolución de ejercicios
Lluvia de ideas
Estudio de casos
Solución de ejercicios
propuestos
N/A X N/A N/A N/A
Bibliografía
Manual de referencia del
lenguaje de programación
Computadoras,
Videoproyector Documental
EP2 Lista de cotejo para la
solución de un problema
planteado haciendo uso del
razonamiento basado en casos.
EC1 Resuelve cuestionario sobre las
características, tipos, usos y tendencias de las
ontologías.
Actividad focal introductoria
Preparar características de la exposición
Estrategia de cierre,
Retroalimentación
Lluvia de ideas
Lectura comentada
Diseñar presentación
electrónica
Resumen
X N/A N/A N/A N/A
Bibliografía
Manual de referencia del
lenguaje de programación
Computadoras,
Videoproyector Documental
EC1 Cuestionario sobre las
características, tipos, usos y
tendencias de las ontologías.
EP1 Describe en una línea de tiempo los
avances y retos de las aplicaciones generales de
la Inteligencia Artificial.
Actividad focal introductoria,
Preparar características a solicitar en la
línea de tiempo
Retroalimentación
Lluvia de ideas
Lectura comentada
Diseñar línea del tiempo
Resumen
X N/A N/A N/A N/A
Marcadores
Pizarrón
Dispositivos de
videoproyección,
Bibliografía
Computadoras,
VideoproyectorDocumental
EP1 Lista de Cotejo para línea
del tiempo sobre los avances y
retos de la robótica.
Campo
ED1 Guía de observación para
exposición el estado del arte de
las aplicaciones en inteligencia
artificial en la ingeniería
computacional.
1. Estado del arte de las aplicaciones de
inteligencia artificial en la ingeniería computacional
Al completar la unidad de aprendizaje, el alumno será
capaz de:
- Describir el estado del arte de las aplicaciones en inteligencia
artificial en la ingeniería computacional.
X
Documental
EP1 Lista de Cotejo de mapa
conceptual sobre los conceptos y
tendencias del desarrollo de la
adquisición de aprendizaje
desde la perspectiva de la
inteligencia artificial.
EP1 Representa en un lenguaje de ontología la
solución a un problema determinado.
Estrategia de Apertura,
Actividad focal introductoria,
Estrategia de desarrollo,
Elaboración y guía de lenguajes de
ontologías
Ejercicios expuestos en clase ,
Estrategia de cierre,
Resolución de ejercicios
Lluvia de ideas
Estudio de casos
Solución de problemas
propuestos
PROYECTO PRÁCTICA
2
3. Aprendizaje automático
Al completar la unidad de aprendizaje, el alumno será
capaz de:
- Definir los conceptos y las tendencias actuales en el campo
de la investigación respecto a adquisición de aprendizaje
automático.
- Representar soluciones a problemas específicos haciendo uso
de la técnica de razonamiento basado en casos.
EP1 Describe en un mapa conceptual los
conceptos y tendencias del desarrollo de la
adquisición de aprendizaje desde la perspectiva
de la inteligencia artificial.
Exposición introductoria
Actividad focal introductoria
Preparar características del mapa
conceptual
Señalización y elaboración
Retroalimentación
Lluvia de ideas
Lectura comentada
Diseñar mapa conceptual
Resumen
X N/A
X
2. Razonamiento y representación de la
incertidumbre
Al completar la unidad de aprendizaje, el alumno será
capaz de:
- Proponer la solución a un problema en base a técnicas de
representación de la incertidumbre.
- Representar soluciones a problemas de incertidumbre
utilizando las técnicas de representación de incertidumbre
adecuadas.
Estrategia de Apertura,
Actividad focal introductoria,
Estrategia de desarrollo,
Sugerir referencias electrónicas y
bibliográficas
Preparar características de la exposición
Señalización y elaboración
Retroalimentación
Seminario de investigación
Lluvia de ideas
Lectura comentada
Diseñar presentación
electrónica
Resumenes
Marcadores
Pizarrón
Videos
Bibliografía
Computadoras,
Videoproyector
N/A
N/A N/A N/A N/A
N/A
6
PROGRAMA DE ESTUDIO
DATOS GENERALES
NOMBRE DEL PROGRAMA EDUCATIVO: INGENIERÍA EN SISTEMAS COMPUTACIONALES
OBJETIVO DEL PROGRAMA EDUCATIVO: Formar profesionistas competentes para: especificar, diseñar, construir, implantar, verificar, auditar, evaluar y mantener sistemas de tecnologías de la información que respondan a las necesidades de sus usuarios, mejorando los niveles de eficiencia, eficacia y productividad de las organizaciones en el entorno globalizado, tomando en cuenta el factor humano.
TOTAL HRS. DEL CUATRIMESTRE: 90
FECHA DE EMISIÓN: Septiembre, 2012
UNIVERSIDADES PARTICIPANTES: UNIVERSIDAD POLITECNICA DE ZACATECAS, UNIVERSIDAD POLITECNICA QUERETARO, UNIVERSIDAD POLITECNICA FRANCISCO I MADERO, UNIVERSIDAD POLITECNICA TULANCINGO
NOMBRE DE LA ASIGNATURA: APLICACIONES DE INTELIGENCIA ARTIFICIAL
CLAVE DE LA ASIGNATURA: AII-ES
OBJETIVO DE LA ASIGNATURA: El alumno será capaz de aplicar técnicas de inteligencia artificial donde se transfieran situaciones del mundo real uti l izando paradigmas computacionales complejos.
OBSERVACIÓN
UNIDADES DE APRENDIZAJE RESULTADOS DE APRENDIZAJE EVIDENCIAS
TECNICAS SUGERIDAS ESPACIO EDUCATIVO MOVILIDAD FORMATIVA
MATERIALES
REQUERIDOSEQUIPOS REQUERIDOS
TOTAL DE HORAS
PARA LA ENSEÑANZA (PROFESOR)PARA EL APRENDIZAJE
(ALUMNO)AULA LABORATORIO OTRO
TEÓRICA
EVALUACIÓN
PRÁCTICA
TÉCNICA INSTRUMENTO
CONTENIDOS PARA LA FORMACIÓN ESTRATEGIA DE APRENDIZAJE
EP1 Lista de Cotejo sobre la
representación en un lenguaje
de ontología de la solución a un
problema determinado.
EP1 Desarrolla una solución para resolver un
problema haciendo uso de las técnicas de
representación de incertidumbre.
Estrategia de Apertura,
Actividad focal introductoria,
Estrategia de desarrollo,
Preparar características de la exposición
Estrategia de cierre,
Resolución de ejercicios
Lluvia de ideas
Estudio de casos
Desarrollar la solución a los
ejercicios propuestos
4 0 6
EP1 Lista de Cotejo para
solución a problema haciendo
uso de técnicas de
representación de la
incertidumbre.
0 9 3
DocumentalComputadoras,
Videoproyector
6
N/A N/A
Bibliografía
Manual de referencia del
lenguaje de programación
Marcadores
Pizarrón
ED1: Expone sobre el estado del arte de las
aplicaciones en inteligencia artificial en la
ingeniería computacional.
0 9 3
0 9 3
N/A DocumentalComputadoras,
Videoproyector
Apuntes,
Bibliografia,
Manual de referencia del
lenguaje de programación
X X N/A N/A
Práctica "Programación de
robots académicos"
4. Ontologías
Al completar la unidad de aprendizaje, el alumno será
capaz de:
- Determinar las características, tipos, usos y tendencias futuras
de las ontologías.
- Proponer soluciones a problemas determinados utilizando las
reglas del lenguaje de ontologías.
5. Aplicaciones generales de la Inteligencia
Artificial
Al completar la unidad de aprendizaje, el alumno será
capaz de:
- Identificar los avances y retos en las aplicaciones generales de
la Inteligencia Artificial.
- Determinar una solución en un lenguaje de programación de
la Inteligencia Artificial.
8
6
4
ED1 Realiza práctica en un lenguaje de
programación de Inteligencia Artificial.
Estrategia de Apertura,
Actividad focal introductoria,
Estrategia de desarrollo,
Señalización y elaboración,
Estrategia de cierre,
Práctica de cierre
Lluvia de ideas
Estudio de casos
Diseñar presentación
electrónica
Resumen
X X N/A N/A
Marcadores
Pizarrón
Dispositivos de
videoproyección,
Manual de referencia del
lenguaje de programación
Bibliografía
Computadoras,
Videoproyector
0 12
Campo
ED1 Guía de observación para
práctica: Programación de robots
académicos.
N/A N/A N/A
Bibliografía
Manual de referencia del
lenguaje de programación
N/A
3
FICHA TÉCNICA
APLICACIONES DE INTELIGENCIA ARTIFICIAL
Nombre: APLICACIONES DE INTELIGENCIA ARTIFICIAL
Clave: AII-ES
Justificación: Para dar solución e innovación a sistemas complejos (diversos paradigmas
computacionales).
Objetivo:
El alumno será capaz de aplicar técnicas de inteligencia artificial donde se
transfieran situaciones del mundo real utilizando paradigmas
computacionales complejos.
Habilidades:
Lectura, escritura, interlocución, síntesis de la información, aplicación de
principios tecnológicos, relaciones en y con el entorno organizacional,
relaciones interpersonales, toma de decisiones, lectura en segunda lengua,
interlocución en segunda lengua.
Competencias
genéricas a
desarrollar:
capacidades
capacidades
previsas
Análisis y síntesis, resolver problemas, aplicar los conocimientos en la
práctica, adaptarse a nuevas situaciones, cuidar la calidad, gestionar la
información, trabajar en forma autónoma y en equipo.
Capacidades a desarrollar en la asignatura Competencias a las que contribuye la
asignatura
Diagnosticar hardware/software para
proponer mejoras y/o soluciones
informáticas en la organización mediante
el análisis de tecnologías de mercado.
Plantear componentes tecnológicos para
cubrir las necesidades de la organización
mediante el establecimiento de
soluciones estratégicas de TIC’s.
Modelar funciones integrales para el
logro de las necesidades de la
organización, a través del desarrollo de la
tecnología propuesta.
Proponer infraestructura tecnológica para
establecer las bases que fundamenten una
solución informática mediante estrategias de
TIC’s.
Validar soluciones integrales de TIC’s para
satisfacer las necesidades de la organización
conforme a los estándares del mercado.
4
Probar procesos integrales para
corroborar la fiabilidad de la solución de
TIC’s desarrollada, mediante los
lineamientos y estándares establecidos
en el mercado.
Estimación de
tiempo (horas)
necesario para
transmitir el
aprendizaje al
alumno, por
Unidad de
Aprendizaje:
Unidades de aprendizaje
HORAS TEORÍA HORAS PRÁCTICA
Presencial
No
presencial
Presencial
No
presencial
1. Estado del arte de las
aplicaciones de inteligencia
artificial en la ingeniería
computacional.
4 0 6 2
2. Razonamiento y
representación de la
incertidumbre
6 0 9 3
3. Aprendizaje automático 6 0 9 3
4. Ontologías 6 0 9 3
5. Aplicaciones generales de la
Inteligencia Artificial 8 0 12 4
Total de horas por
cuatrimestre: 90
Total de horas por
semana: 6
Créditos:
6
5
Nombre de la asignatura: Aplicaciones de Inteligencia Artificial
Nombre de la Unidad de
Aprendizaje: Aplicaciones Generales de la Inteligencia Artificial
Nombre de la práctica o
proyecto: Programación de robots académicos
Número: 1 Duración (horas) : 2 hrs.
Resultado de
aprendizaje:
Determinar una solución en un lenguaje de programación de la inteligencia
artificial
Requerimientos (Material
o equipo):
Equipo de cómputo
Lenguaje de programación IA
Software de simulación
Actividades a desarrollar en la práctica:
1.- El profesor recuerda al alumno la importancia de diseñar soluciones inteligentes en el menor
tiempo posible y con un grado de precisión aceptable en los casos de problemas de inteligencia
artificial
2-. El profesor muestra algunos problemas relacionados con la programación de robots
3.- El profesor organiza equipos de 2 personas para la realización de la práctica.
4.- El alumno desarrollará los ejercicios asignados en la práctica.
5.- El profesor supervisa el trabajo del alumno una vez que está terminado.
6.- El alumno documenta la salida de los ejercicios para verificar que se cumplen las
especificaciones de los mismos asignados en la práctica.
7.- El profesor supervisa el correcto funcionamiento de cada uno de los ejercicios.
Instrucciones para el alumno:
Elabore los algoritmos de solución necesarios que den solución a los problemas mencionados en las situaciones
que a continuación se describen. Una vez diseñados, codificarlos y ejecutarlos en un lenguaje de programación
de inteligencia artificial o en el simulador correspondiente.
1.- Se te entregaran 3 mapas en el software, cada uno con diferente complejidad, en cada mapa
encontrará una línea blanca que es la pista del entorno, el ejercicio consiste en que el robot siga esa
pista.
Coloque al robot al inicio de la pista y este debe seguir la línea hasta alcanzar el final. Entregue el
código y evidencia de la solución diseñada para los 3 mapas.
2.- Se te entregarán 2 laberintos en el software, cada uno con diferente complejidad, en cada laberinto
debe encontrarse la solución para escapar del laberinto. Diseñe la solución para ambos casos donde el
robot debe de encontrar la salida, de preferencia en el menor tiempo posible.
DESARROLLO DE LA PRÁCTICA O PROYECTO
“Programación de robots académicos”
6
Evidencias a las que contribuye el desarrollo de la práctica:
ED1.- Realiza práctica en un lenguaje de programación de Inteligencia Artificial.
INSTRUMENTOS DE EVALUACION
7
8
UNIVERSIDAD POLITÉCNICA DE ____________________
NOMBRE DE LA ASIGNATURA : APLICACIONES DE INTELIGENCIA ARTIFICIAL
INSTRUCCIONES
Revisar los documentos o actividades que se solicitan y marque en los apartados “SI” cuando la evidencia a
evaluar se cumple; en caso contrario marque “NO”. En la columna “OBSERVACIONES” ocúpela cuando tenga
que hacer comentarios referentes a lo observado.
Valor del
reactivo
Característica a cumplir (reactivo) CUMPLE OBSERVACIONES
SI NO
5% Puntualidad para iniciar y concluir la exposición.
10% Esquema de diapositiva. Colores y tamaño de letra apropiada. Sin saturar las diapositivas de texto.
5% Portada: Nombre de la escuela (logotipo), Carrera, Asignatura,
Profesor, Alumnos, Matricula, Grupo, Lugar y fecha de entrega.
10% Ortografía (cero errores ortográficos).
10% Exposición. a. Utiliza las diapositivas como apoyo, no lectura total
15% b. Desarrollo del tema fundamentado y con una secuencia
estructurada.
5% c. Organización de los integrantes del equipo.
5% d. Expresión no verbal (gestos, miradas y lenguaje corporal).
30%
Preparación de la exposición. Dominio del tema. Habla con
seguridad. Identifica claramente el estado del arte de las
aplicaciones de inteligencia artificial en la ingeniería
computacional, así como los avances y retos de las mismas.
5% Presentación y arreglo personal
100% CALIFICACIÓN:
GUÍA DE OBSERVACIÓN PARA EXPOSICIÓN DEL ESTADO DEL ARTE DE LAS
APLICACIONES EN INTELIGENCIA ARTIFICIAL EN LA INGENIERÍA COMPUTACIONAL
U1, ED1
9
INSTRUMENTOS DE EVALUACIÓN
LISTA DE COTEJO
DATOS GENERALES DEL PROCESO DE EVALUACIÓN
NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:
MATRICULA:: FECHA:
MATERIA: Aplicaciones de Inteligencia Artificial
NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:
INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en
caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar
al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.
Valor
Característica a cumplir (Reactivo)
Cumple Observaciones Si No
15%
Se determinó una solución al problema propuesto mediante un
algoritmo donde se identifica la representación de la
incertidumbre
15% Se determinó la técnica de representación de incertidumbre de
acuerdo a la naturaleza del problema a resolver
15% Se implementó el algoritmo diseñado haciendo uso de una
técnica de representación de incertidumbre
10% Se corrigieron los errores encontrados en el diseño de la
solución
20% Se realizaron las pruebas de la solución siendo exitosas todas
ellas
10% Se documentó la solución al ejercicio propuesto
15%
Se entrega el diseño de la solución planteada explicando
adecuadamente el porqué del uso de la técnica de
representación de incertidumbre elegida 100% Calificación
LISTA DE COTEJO PARA SOLUCIÓN A PROBLEMA HACIENDO USO DE TÉCNICAS
DE REPRESENTACIÓN DE LA INCERTIDUMBRE.
U2, EP1
10
INSTRUMENTOS DE EVALUACIÓN
LISTA DE COTEJO
DATOS GENERALES DEL PROCESO DE EVALUACIÓN
NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:
MATRICULA:: FECHA:
MATERIA: Aplicaciones de Inteligencia Artificial
NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:
INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en
caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar
al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.
Valor
Característica a cumplir (Reactivo)
Cumple Observaciones Si No
10%
Se determinó una solución al problema propuesto mediante un
algoritmo donde se identifica claramente la representación de la
incertidumbre numérica o no numérica
10%
Se determinó la técnica de representación de incertidumbre
(numérica o no numérica) de acuerdo a la naturaleza del
problema a resolver
10%
Se implementó el algoritmo diseñado haciendo uso de la
técnica de representación de incertidumbre numérica o no
numérica
10% Se corrigieron los errores encontrados en el diseño de la
solución
20% Se realizaron las pruebas de la solución siendo exitosas todas
ellas
10% Se documentó la solución al ejercicio propuesto
15%
Se entrega el diseño de la solución planteada explicando
adecuadamente el porqué del uso de la técnica de
representación de incertidumbre numérica o no numérica
elegida
15%
Se entrega el diagrama de solución con la sintaxis de la técnica
numérica o no numérica elegida
100% Calificación
LISTA DE COTEJO PARA REPRESENTACIÓN DE LA SOLUCIÓN DEL PROBLEMA
EN EL DIAGRAMA DE LA TÉCNICA NUMÉRICA O NO NUMÉRICA DE
INCERTIDUMBRE
U2, EP2
11
INSTRUMENTOS DE EVALUACIÓN
LISTA DE COTEJO
DATOS GENERALES DEL PROCESO DE EVALUACIÓN
NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:
MATRICULA:: FECHA:
MATERIA: Aplicaciones de Inteligencia Artificial
NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:
INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en
caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar
al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.
Valor
Característica a cumplir (Reactivo)
Cumple Observaciones Si No
10% En el mapa conceptual se identifican claramente los conceptos
de las aplicaciones de la inteligencia artificial
10%
En el mapa conceptual se identifican las tendencias de
desarrollo de la adquisición de aprendizaje en la inteligencia
artificial
10% En el mapa conceptual se identifican los desarrolladores y logros
en el desarrollo de la adquisición de aprendizaje en IA
10% En el mapa conceptual se identifican los avances y retos que
tiene el desarrollo de la adquisición de aprendizaje en IA
20%
En el mapa conceptual se identifican los sistemas que se han
logrado haciendo uso de los avances en la adquisición de
aprendizaje en IA
10% El mapa conceptual es entregado en una herramienta de diseño
10% El diseño del mapa conceptual es claro y fácil de entender
20%
Se explicó el mapa conceptual desarrollado de forma clara
100% Calificación
LISTA DE COTEJO DE MAPA CONCEPTUAL SOBRE LOS CONCEPTOS Y
TENDENCIAS DEL DESARROLLO DE LA ADQUISICIÓN DE APRENDIZAJE DESDE
LA PERSPECTIVA DE LA INTELIGENCIA ARTIFICIAL
U3, EP1
12
INSTRUMENTOS DE EVALUACIÓN
LISTA DE COTEJO
DATOS GENERALES DEL PROCESO DE EVALUACIÓN
NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:
MATRICULA:: FECHA:
MATERIA: Aplicaciones de Inteligencia Artificial
NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:
INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en
caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar
al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.
Valor
Característica a cumplir (Reactivo)
Cumple Observaciones Si No
15% Se determinó una solución al problema propuesto donde se
identifica claramente el uso del razonamiento basado en casos
15% Se implementó el algoritmo diseñado haciendo uso de la
técnica de representación del razonamiento basado en casos
10% Se corrigieron los errores encontrados en el diseño de la
solución
20% Se realizaron las pruebas de la solución siendo exitosas todas
ellas
10% Se documentó la solución al ejercicio propuesto
15%
Se entrega el diseño de la solución planteada explicando
adecuadamente cómo se utilizó el razonamiento basado en
casos
15%
Se entrega el diagrama de solución con la representación
utilizada en el razonamiento basado en casos
100% Calificación
LISTA DE COTEJO PARA LA SOLUCIÓN DE UN PROBLEMA PLANTEADO
HACIENDO USO DEL RAZONAMIENTO BASADO EN CASOS
U3, EP2
13
Universidad Politécnica de __________________________________________________
Nombre: _________________________________________________________________
Asignatura: Aplicaciones de Inteligencia Artificial
Instrucciones: Contesta el siguiente cuestionario.
1. Determina el concepto de ontología.
2. Explica la diferencia del concepto de ontología en inteligencia artificial e ingeniería web
3. ¿Cuál es el producto de una ontología en Inteligencia artificial?
4. ¿Cuáles con las partes que conforman una ontología?
5. Explica los componentes de una ontología (axioma, clase o tipo, instancias o individuos,
relaciones, propiedades o slots, frame, conceptualización, taxonomía y vocabulario)
6. Explica la diferencia entre ontología formal y ontología informal en IA
7. Explica los tipos de ontología que existen (al menos 2 clasificaciones)
8. ¿Cuáles serían las aplicaciones de las ontologías en IA?
9. Explica el proceso general para diseñar y construir ontologías en IA
10. Explica al menos 2 metodología s para la construcción de ontologías
CUESTIONARIO SOBRE LAS CARACTERÍSTICAS, TIPOS, USOS Y TENDENCIAS
DE LAS ONTOLOGÍAS
U4, EC1
14
INSTRUMENTOS DE EVALUACIÓN
LISTA DE COTEJO
DATOS GENERALES DEL PROCESO DE EVALUACIÓN
NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:
MATRICULA:: FECHA:
MATERIA: Aplicaciones de Inteligencia Artificial
NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:
INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en
caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar
al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.
Valor
Característica a cumplir (Reactivo)
Cumple Observaciones Si No
15% Se determinó una solución al problema propuesto donde se
identifica claramente el uso de ontologías
15% Se implementó la solución haciendo uso de una metodología
para la creación de ontologías
10% Se corrigieron los errores encontrados en el diseño de la
solución
20% Se realizaron las pruebas de la solución siendo exitosas todas
ellas
10% Se documentó la solución al ejercicio propuesto
15%
Se entrega el diseño de la solución planteada explicando
adecuadamente cómo se utilizó la metodología para la creación
de ontologías
15%
Se entrega la solución representada correctamente en la
metodología de creación de ontologías elegida
100% Calificación
LISTA DE COTEJO SOBRE LA REPRESENTACIÓN EN UN LENGUAJE DE
ONTOLOGÍA DE LA SOLUCIÓN A UN PROBLEMA DETERMINADO
U4, EP1
15
INSTRUMENTOS DE EVALUACIÓN
LISTA DE COTEJO
DATOS GENERALES DEL PROCESO DE EVALUACIÓN
NOMBRE DEL ALUMNO: FIRMA DEL ALUMNO:
MATRICULA:: FECHA:
MATERIA: Aplicaciones de Inteligencia Artificial
NOMBRE DEL PROFESOR: FIRMA DEL PROFESOR:
INSTRUCCIONES Revisar las actividades que se solicitan y marque en los apartados “SI” cuando la evidencia se cumple; en
caso contrario marque “NO”. En la columna “OBSERVACIONES” ” mencione indicaciones que puedan ayudar
al alumno a saber cuáles son las condiciones no cumplidas, si fuese necesario.
Valor
Característica a cumplir (Reactivo)
Cumple Observaciones Si No
10% Se enumeran cada uno de las etapas de la robótica hasta hoy
conocidas
15%
En la línea de tiempo diseñada, en cada etapa se identifican
claramente los avances más significativos así como los inventos
destacados de ese tiempo
15% En la línea de tiempo diseñada, en cada etapa se identifican
claramente a los desarrolladores del área
15% En la línea de tiempo diseñada, en cada etapa se identifican
claramente a retos
10]% En la línea de tiempo diseñada, en cada etapa se identifican
claramente el desarrollo logrado en la robótica
10% La línea de tiempo está diseñada de manera clara y entendible
10% Se entregó en tiempo y forma la línea de tiempo
15%
Se explicó la línea de tiempo de manera satisfactoria
100% Calificación
LISTA DE COTEJO PARA LÍNEA DEL TIEMPO SOBRE LOS AVANCES Y RETOS DE
LA ROBÓTICA
U5, EP1
16
UNIVERSIDAD POLITÉCNICA DE ____________________
NOMBRE DE LA ASIGNATURA : APLICACIONES DE INTELIGENCIA ARTIFICIAL
INSTRUCCIONES
Revisar los documentos o actividades que se solicitan y marque en los apartados “SI” cuando la evidencia a
evaluar se cumple; en caso contrario marque “NO”. En la columna “OBSERVACIONES” ocúpela cuando tenga
que hacer comentarios referentes a lo observado.
Valor del
reactivo
Característica a cumplir (reactivo) CUMPLE OBSERVACIONES
SI NO
20% Las aplicaciones incluyen utilización de las técnicas de
programación de inteligencia artificial
10% Las aplicaciones fueron entregadas a tiempo y sin errores
20%
Las aplicaciones funcionan para cada uno de los casos
determinados en la práctica (seguir líneas y esquivar
obstáculos)
20% Utiliza en la solución las estructuras adecuadas
20% Implementa la funcionalidad correctamente
10% La interface está totalmente concluida y funcional
100% CALIFICACIÓN:
GUÍA DE OBSERVACIÓN PARA PRÁCTICA: PROGRAMACIÓN DE ROBOTS
ACADÉMICOS
U5, ED1
17
GLOSARIO
ACUMULACIÓN CONCEPTUAL (Conceptual Clustering)
Una forma de APRENDIZAJE POR OBSERVACIÓN basada en disponer (situaciones, hechos,
etc.) en clases caracterizadas por conceptos descriptivos simples (y no en clases definidas
por una medida de similitud preestablecida entre sus miembros, como seria en otras clases
de acumulación).
ADQUISICIÓN DE CONOCIMIENTOS
Proceso por el cual se introducen informaciones dentro de la base de conocimientos de un
sistema. Puede ser manual o automática, en este último caso hablamos de APRENDIZAJE.
ADQUISICIÓN DE FORMACIÓN DE CONCEPTO
Forma de aprendizaje en la cual el diagrama genera conceptos útiles para caracterizar una
colección dada de objetos o hechos.
ANALISIS ANALÓGICO DE MEDIOS Y FINES
Proceso de solución de problemas que opera en el ESPACIO DE PROBLEMA ANALOGICO,
obteniendo una solución a un problema nuevo gracias a la transformación de la solución de
un problema similar, usando operadores que reducen las diferencias entre descripciones de
soluciones homólogas.
ANÁLISIS DE MEDIOS Y FINES
Método de solución de problemas que en cada paso busca los operadores que más
reduzcan la diferencia entre el estado actual y un estado-objetivo conocido.
ANÁLISIS CASUAL
Seguimiento de las probables causas de eventos observados, ocasionalmente utilizado en la
ASIGNACIÓN DE CREDITOS Y CULPAS.
ANALOGÍA DERIVACIONAL
Método de solución de problemas basado en casos, en el cual se reconsideran y adecúan a
un nuevo problema las soluciones que se dieron a problemas similares.
ANTIEJEMPLO
Ente que no pertenece a la clase de que se está tratando. Puede servir para limitar la
amplitud de una GENERALIZACIÓN.
ANZA
Coprocesador neurocomputador para computadores tipo IBM (PC, AT).
APRENDER “DE MEMORIA” (ingl: Rote learning)
Aprender por memorización directa de hechos, sin generalización. (Vease:Caching).
18
APRENDIZAJE DE LA MÁQUINA
Subdominio de la inteligencia Artificial que trata del desarrollo de teorías computacionales
del aprendizaje y la construcción de sistemas con capacidad discente. En términos prácticos
decimos que ha ocurrido un proceso de aprendizaje cuando el sistema mejora su
desempeño al realzar determinada tarea, como resultado de: introducción dada por otro
sistema, o de la repetición de la misma tarea o de tareas similares.
APRENDIZAJE INDUCTIVO
Aprendizaje hecho por medio de INFERENCIAS INDUCTIVAS
APRENDIZAJE NO SUPERVISADO
Aprendizaje a partir de observación: Construcción de descripciones, hipótesis o teorías
acerca de una colección dada de hechos u observaciones en subconjuntos que
ejemplificarían los conceptos deseados.
APRENDIZAJE SUPERVISADO
Aquel en el cual las señales de entrada se acompañan de una clasificación proporcionada
por un sistema docente.
ÁRBOL DE DECISIÓN
Una RED DISCRIMINANTE con estructura absorbente.
ARQUITECTURA PARALELA
Arquitectura de hardware que contiene varios procesadores interconectados que procesan
datos simultáneamente. Las diferentes arquitecturas paralelas se pueden clasificar por la
topología de su estructura, y por la “granularidad”, o sea si contienen unos pocos
procesadores de buena potencia (grano grueso), o muchísimos (cientos o miles)
procesadores simples (grano fino); en este ultimo caso también se habla de arquitecturas
“masivamente paralelas”. Ejemplos de arquitecturas paralelas son: Matriz Sistólica, Flujo de
Datos y algunas Memorias Asociativas.
ASIGNACIÓN DE CREDITOS Y CULPAS
Identificación de los pasos (decisiones, operaciones, etc.) más responsables del éxito o
fracaso en el proceso completo de la búsqueda de un objetivo.
ATRIBUTO
Variable o descriptor usado para caracterizar un objeto o proceso, por ejemplo el color o la
duración.
AXON
Vía de salida de una neurona.
También es el nombre propio de un lenguaje descriptor de Redes Neurales comercializado
por la forma Hecht-Nielsen neurocomputing Corporation.
19
BASE DE CONOCIMIENTOS
Subsistema que representa los CONOCIMIENTOS de un dominio dado, de manera accesible
y manipulable por un “MECANISMO DE INFERENCIA”.
BLOQUES MUNDO DE LOS
Pequeño “mundo” artificial en donde existen solamente ciertos poliedros sobre una
superficie, Ha sido utilizado para desarrollar ideas sobre visión de máquina, planeamiento
de actividades y manipulación de objetos, robótica y comprensión de órdenes dadas en
lenguaje natural.
CACHING (Ingles)
Almacenaje de una respuesta a un problema frecuente para evitar la repetición de esfuerzos
anteriores. (Caso de “Saber de memoria”). Véase PRENDER DE MEMORIA.
CAPACIDAD SENSORIAL EXTEROCEPTIVA
Aquella que proporciona a un robot conocimiento de su entorno. Esta puede incluir la
medición de parámetros y la precepción de formas.
CAPACIDAD SENSORIAL PROPIOCEPTIVA
Aquella que proporciona al robot información sobre si mismo tal como posición, velocidad y
esfuerzos de sus elementos.
CASI-EJEMPLO (ingl: “near miss”)
Un ANTIEJEMPLO que es muy similar a un EJEMPLO. Los cao-ejemplos son muy útiles para
aislar rasgos importantes en el aprendizaje a partir de ejemplos.
COEFICIENTE ADAPTATIVO
Valor ponderador asociado con cada entrada de un Elemento Procesador. Normalmente los
coeficientes son ajustables en respuestas a entradas exógenas, ese proceso de ajuste se
denomina “Aprendizaje”.
COMPLICACIÓN DE CONOCIMIENTOS
Traducción de unos conocimientos desde una forma declarativa que no puede ser
directamente utilizada hacia una forma procedimental. Por ejemplo, convertir una
recomendación de “que hacer” en instrucciones precisas de cómo hacerlo.
COMPOSICIÓN
Agrupación de una secuencia de REGLAS DE PRODUCCIÓN u operadores en una sola regla u
operador.
COMPUTADOR NEURAL=Véase NEUROCOMPUTADOR
20
COMPUTADOR OPTICONCEURAL
Neurocomputador implementado con base en fenómenos ópticos como la bolografía y los
materiales con índice de refacción variable según la luz. Aún están en etapa experimental.
CONEXIONISMO
Tendencia o “escuela” en arquitectura de computadoras que da preponderancia a un gran
número de procesadores, así sean simples, muy interconectados para lograr un paralelismo
masivo en el procesamiento y para explotar propiedades que surgen en estructuras de este
tipo.
CONOCIMIENTOS
Representación simbólica de ideas, conceptos, nociones, hechos, seres, acciones, y de las
relaciones entre ese tipo de elementos que reflejan un dominio del universo físico del
mundo de las ideas.
CONTROL, ESTRATEGIA DE (o Estructura de Control)
En los sistemas con base de conocimientos, estrategia de razonamiento con la cual se
manipulan los conocimientos para resolver un problema.
CHUNKING (Ingles)
Agrupación de descripciones de bajo nivel (patrones, operadores, fines) en descripciones de
más alto nivel.
DENDRITA
Cada una de las vías de entrada de una neurona.
DEPENDENCIA CONCEPTUAL
Técnica para la comprensión de un lenguaje natural, en el cual las frases se traducen a unos
conceptos primitivos básicos.
DESCRIPCIÓN CARACTERIZANTE
Descripción de un concepto que establece las propiedades que caracteriza a todas las
ocurrencias o ejemplares de un concepto o clase (Véase también: DESCRIPCIÓN
DISCRIMINANTE).
DESCRIPCIÓN DE CONCEPTO
Estructura de datos que define un concepto describiendo la clase de todos los ejemplares
conocidos del concepto.
DESCRIPCIÓN DISCRIMINANTE
Descripción de un concepto que establece propiedades que distinguen el concepto en
cuestión de otros conceptos (Véase también DESCRIPCIÓN CARACTERIZANTE).
21
DESCRIPTOR
Atributo, función o predicado usado como concepto elemental para describir objetos o
situaciones.
DOMINIO DE UN DESCRIPTOR
Conjunto de valores admisibles que un DESCRIPTOR puede tomar como componente de una
DESCRIPCIÓN DE CONCEPTO.
ENCADENAMIENTO HACIA ADELANTE (Ingl.: Forward chaining)
Deducción de las consecuencias a partir de unas causas que se suponen verificadas.
ENCADENAMIENTO HACIA ATRÁS (Ingl.:Backward chaining)
Inducción de la carrera a partir de unas consecuencias que se suponen verificadas.
ESPACIO DE PROBLEMA ANALÓGICO
Un espacio de representación de problemas cuyos estados son descripciones de soluciones
de problemas y cuyos operadores transforman la solución de un problema en una muy
relacionada.
FLUJO DE DATOS (Ingl.: Data-Flow)
Aquella arquitectura paralela en la que cada instrucción de un programa se ejecuta tan
pronto los datos que requiere como entrada están disponibles, y el dispositivo destinatario
del resultado está preparado para recibirlo. El efecto es que se realizan muchas operaciones
simultáneas y asincrónicamente.
GENERALIZACIÓN
Ampliación de lo abarcado por la descripción de un concepto para incluir más ejemplares.
Opuesto a ESPECIALIZACIÓN.
GENERALIZACIÓN BASADA EN RESTRICCIONES
Método de generalización que explora las restricciones que unen los conceptos descriptivos
que caracterizan un ejemplo dado y produce una generalización de ese ejemplo que
satisface esas restricciones.
GENERALIZACIÓN COMPLETA
Descripción que caracteriza a todos los EJEMPLOS de una clase dada, aunque puede
también incluir algunos ANTIEJEMPLOS de esta clase.
GENERALIZACIÓN CONSISTENTE o HIPÓTESIS CONSISTENTE
Descripción de algunos o todos los EJEMPLOS de una clase, que no incluye ni un
ANTIEJEMPLO para esa clase.
22
INDUCCIÓN CONSTRUCTIVA
Un proceso de APRENDIZAJE INDUCTIVO que genera nuevos DESCRIPTORES no
proporcionados en la descripción de hechos u observaciones iniciales.
GUION (Ingl.:Seript)
Secuencia Imperativa de acciones que guía a un sistema para actuar, contiene, además de
esas acciones, las expectativas acerca de lo que normalmente ocurre en la situación típica
en que se desenvuelve el sistema.
HEURISTICA
(Sustantivo) Conocimiento imperfecto pero útil empleado en el razonamiento o la solución
de un problema. También: Regla de inferencia aproximada. Usado a veces como sinónimo
de “Regla Heurística”. (Adjetivo=)Aproximado, empírico, basada en la experiencia.
ICOT
Institute for New Generation Computing Technology: Centro Japonés de Investigación y
Desarrollo sobre los denominados “computadores de quinta generación”.
INFERENCIA ANALÓGICA
Toma de información sobre un objeto o proceso conocido de esta información a uno similar
menos conocido.
INFERENCIA DEDUCTIVA
Modo de razonamiento que realiza un ENCADENAMIENTO HACIA ADELANTE.
INFERENCIA GRAMATICAL
Forma de INFERENCIA INDUCTIVA aplicada a inferir la gramática de un lenguaje a partir de
un conjunto de expresiones consideradas “gramaticalmente correctas” (ejemplos), y, en
algunos casos, con otro conjunto de expresiones etiquetadas como “gramaticalmente
incorrectas” (antiejemplos).
INFERENCIA INDUCTIVA
Modo de razonamiento que realiza un ENCADENAMIENTO HACIA ATRÁS.
INTELIGENCIA ARTIFICIAL
Disciplina dedicada a desarrollar y aplicar enfoques computacionales al comportamiento
inteligente. Estudia preferencialmente los comportamientos y fenómenos de: percepción,
solución de problemas, razonamiento, utilización de un lenguaje natural y planeamiento de
actividades.
LENGUAJE NATURAL
Manipulación de expresiones de un idioma humano que permite a un sistema
computacional: Obedecer comandos en ese lenguaje y/o entregar resultados en él,
permitiendo un manejo del lenguaje con una libertad comparable a la que maneja un ser
humano típico (no en estructuras rígidas y muy limitadas).
23
LIPS
Unidad de medida de la velocidad de procesamiento lógico: es igual a una información
lógica por segundo. Se usan múltiples como Kilo-LIPS (=mil LIPS).
LISP
Lenguaje utilizado en INTELIGENCIA ARTIFICIAL, basado en el manejo de listas por medio de
funciones.
LÓGICA INFORMÁTICA (o Lógica Computacional)
Estudio de la lógica desde el punto de vista del uso del computador para el cálculo lógico. Se
puede dividir en tres áreas principales: Técnicas de verificación de programas, Lenguajes de
programación lógica (tipo PROLOG), y la modelización de los procesos de razonamiento.
MACRO-OPERADOR
Operador compuesto de una secuencia de operadores más primitivos. Unos macro-
operadores apropiados pueden simplificar la solución de problemas permitiendo una
búsqueda de más alto nivel.
MARCO (Ingl: Frame)
Estructura de datos con casillas (Ingl: slota) a las cuales se pueden vincular otras
estructuras. Normalmente las casillas poseen valores asumidos por omisión que se pueden
reemplazar por valores específicos. Los marcos permiten representar las clasificaciones
jerárquicas y la herencia de características entre objetos: además permite trabajar con
“orientación a objetos”. Es una estructura de datos muy utilizada en las investigaciones y
aplicaciones de inteligencia Artificial.
MATRIZ SISTOLICA (Ingl: Systolic Array)
Aquella arquitectura paralela cuyos procesadores, denominados “celdas”, están
interconectados según un patrón regular (por ejemplo en malla cuadrada o hexagonal y no
en “bus de datos”. En su conjunto las celdas implementan un algoritmo computando
sincrónicamente y pasándose datos entre sí.
MECANISMO DE INFERENCIA
En un sistema con Base de Conocimientos: Subsistema que se encarga de manipular los
conocimientos, por ejemplo activando reglas, para inferir otros conocimientos.
MEDIOS-FINES=(Véase: análisis de Medios y Fines)
MEMORIA ASOCIATIVA
Dispositivo que localiza un conjunto completo de datos al suministrarle un elemento parcial
de ese conjunto, o sea que no hay necesidad de suministrar una dirección o coordenada
como en las memorias convencionales. También suele denominarse “memoria direccionable
por contenido” (Ingl: Content-addressable Memory). Puede estar implementada como
arquitectura paralela.
24
MEMORIA DIRECCIONABLE POR CONTENIDO = Véase: Memoria Asociativa.
METACONOCIMIENTO
Conocimientos sobre el conocimiento sobre un dominio.
METARREGLAS
Reglas sobre las reglas aplicables a un dominio. Indican, por ejemplo el orden de prioridad
en que deben utilizarse las reglas del dominio de aplicación.
MÉTODOS DEBILES
Métodos generales de solución de problemas, aplicables en ausencia de conocimientos
específicos del dominio del problema. (Ejemplo: ANALISIS DE MEDIOS/FINES).
MICROPROGRAMADO
Dícese del computador cuyo control de flujo de señales, al nivel bajo o de máquina, está
establecido por un programa, en vez de estarlo por conexiones físicas fijas. Este programa,
denominado “microcódigo”, puede permitir que la máquina acepte un lenguaje como LISP o
PROLOG.
MOTOR DE INFERENCIA = (Véase MECANISMO DE INFERENCIA)
NETWARE
Módulo de código programado en AXON (=Véase), compilado o no.
NEUROCOMUTADOR
Computador cuya estructura fundamental tiene forma de RED NEURAL. Puede estar
implementado para funcionar independientemente, o como coprocesador residente en un
computador ANFITRION (Ingl:Host). En principio puede estar basado en dispositivos
electrónicos, ópticos o electroquímicos.
NEURODINÁMICA
En la teoría de Redes Neurales es la descripción detallada del funcionamiento de una Red
Neural. Comprende: 1) La función matemática según la cual se ponderan y suman (o
integran) los estados de las entradas en cada neurona; 2) la función de transferencia según
la cual se denomina el estado de la salida de la neurona con base en la suma ponderada de
las entradas; y 3) Las reglas de Aprendizaje. Se puede expresar la neurodinámica con
ecuaciones diferenciales.
NEURODO = Véase Neurona artificial.
NEURONA ARTIFICIAL
Elemento procesador que constituye un nodo de una Red Neural. Posee varias vías de
entrada (dendritas) y una vía de salida (axón). Cada dendrita puede transmitir estados del
mundo exterior a la Red Neural, o provenir la salida de otro elemento procesador de la red, o
puede ser función del estado de la salida de la misma Neurona (realimentación).
25
El Azón puede ramificarse para conectarse a la entrada de otros elementos procesadores o
puede ir a otro dispositivo que sirva de salida desde la Red al mundo exterior.
El estado de la salida de una neurona artificial es función de los estados de las entradas,
generalmente basada en una suma ponderada de las entradas.
OPERACIONALIZACIÓN DE CONOCIMIENTOS = Véase COMPILACIÓN CONOCIMIENTOS.
PIZARRA, ARQUITECTURA DE (Ingl. = Blackboard architectura).
Arquitectura para la solución de problemas en la cual varios agentes resuelven
cooperativamente el problema, aportando sus diversas habilidades a un área de
almacenamiento común denominada PIZARRA (Pizarrón, Tablero), donde va tomando forma
la solución. Este método al parecer fue usado por primera vez en los programas HEARSAY.
PIZARRÓN = Véase PIZARRA
PROGRAMACIÓN A NIVEL OBJETIVO
Aquella en la que se basta con especificar el objetivo final omitiendo la especificación de
estados intermedios.
PROGRAMACIÓN A NIVEL ROBOT (o EXPLICITA)
Aquella en la que el programa determina en gran detalle la secuencia de configuraciones de:
robot, al contener sentencias que especifican el movimiento y elementos de información
provenientes del entorno.
PROGRAMACIÓN A NIVEL TAREA (IMPLICITA o A NIVEL OBJETO)
Aquella hecha en un lenguaje de alto nivel con el cual se puede especificar tareas en
términos de relaciones de posición entre las piezas a manipular, en lugar de detallarlas en
función de configuraciones específicas de: manipulador.
PROGRAMACIÓN AUTOMÁTICA
Disciplina sobre cómo crear programas de computador de nominados “Generadores de
Aplicaciones” los cuales, a su vez, escriben otros programas de computador. Los programas
se especifican al Generador de Aplicación en un lenguaje de “más alto nivel”.
PROGRAMACIÓN POR GUIADO (O GESTUAL)
Mundo de control manual que permite a un operador que permite a un operador mover las
distintas partes de un robot, de modo que este es guiado a través de las distintas
secuencias de movimiento necesarias para realizar la tarea. El sistema de control conserva
en una memoria las posiciones para su posterior reproducción.
PROGRAMACIÓN TEXTUAL
Programación mediante un texto en un lenguaje especial. En robótica, ese lenguaje además
de tener los elementos comunes a los lenguajes de programación, incluye órdenes para el
control de los movimientos del robot. Se utiliza como complemento a la Programación por
Guiado.
26
PROLOG
Lenguaje de programación “lógica” basado en el cálculo de predicados.
QUINTA GENERACIÓN
Adjetivo para designar computadores cuya arquitectura de hardware paralela se aparta de la
concebida por Von Neumann, y que implementan preferentemente aplicaciones de
Inteligencia Artificial.
Tipo de computadores definido en el proyecto japonés del mismo nombre (o computadores
de “Nueva Generación”), a comienzos del decenio de 1980. Son máquinas optimizadas para
procesamiento simbólico (no numérico), inteligencia artificial, Sistemas con Bases de
Conocimientos (Sistemas Expertos), y leguajes de tipo LISP y tipo PROLOG.
RED NEUTRAL = (Véase: Red Neuronal)
RED NEURONAL (ARTIFICIAL)
Estructura en forma de red constituida por unos elementos procesadores interconectados
denominados neuronas. Los principales factores que definen una red neuronal son: la
estructura de cada neurona, la neurodinámica y la topología de las conexiones entre los
elementos procesadores. Para cada de cada uno de esos factores existen variantes, como
las denominadas: Perceptrón, Adaline, Padaline, etc. Una Red Neuronal puede estar
implementada físicamente (NEUROCOMPUTADOR) o estar simulada por software en un
computador digital convencional.
La Red Neuronal es un sistema adaptativo que puede modificar los parámetros de las
ecuaciones que rigen su comportamiento; por esta propiedad, su principal utilidad está en:
el aprendizaje, el reconocimiento y clasificación de patrones y la búsqueda de soluciones
optimas a problemas combinatorios.
Se puede considerar en síntesis que una Red Neural Artificial realiza un mapeado continuo
desde un espacio n-dimensional a uno m-dimensional, auto-ajustándose a partir de un
conjunto de ejemplos de la acción que debe cumplir del mapeado.
RED NEUROMORFA = Véase RED NEURONAL
RED SEMÁNTICA
Conjunto de objetos o nodos relacionados por atributos o arcos.
REGLAS DE APRENDIZAJE
En la teoría de Redes Neurales es la descripción de cómo se van modificando los
parámetros y, en consecuencia, el comportamiento de una Red Neural como resultado del
funcionamiento de la red durante la etapa de entrenamiento o aprendizaje.
REGLA DE INFERENCIA
Regla que produce aserciones nuevas a partir de viejas.
REGLA DE PRODUCCIÓN
27
Regla conción/acción que establece las acciones a ser ejecutadas si las condiciones se
satisfacen.
RESTRICCIÓN
Propiedad o relación que limita o restringe el espacio de posibles soluciones a un problema.
ROBOT INDUSTRIAL
Manipulador reprogramable multifuncional, diseñado para mover piezas, herramientas o
dispositivos especiales mediante movimientos variados, programados para la ejecución de
tareas diversas. (Asociación Robótica de América).
ROBÓTICA
Conjunto de conocimientos teóricos y prácticos que permiten concebir, realizar y
automatizar sistemas basados en estructuras mecánicas poliarticuladas, dotadas de un
determinado grado de “inteligencia” y destinadas a la producción industrial o a la sustitución
del hombre en muy diversas tareas. Un sistema robótico puede describirse en el límite como
aquel que es capaz de recibir información, de comprender su esfuerzo a través de modelos,
de formular y ejecutar planes, de controlar o supervisar su operación. La robótica es
pluridisciplinar y se apoya en gran medida sobre los programas de la microelectrónica y la
microinformática, así como de disciplinas como el reconocimiento de formas y la Inteligencia
artificial.
SEXTA GENERACION
Tipo de computador definido a fines del decenio de 1980 por el proyecto del mismo nombre.
Máquinas que emulan el proceso de información en sistemas o redes neuronales como los
cerebros biológicos. Se caracterizan por un paralelismo Masivo, aprendizaje de la máquina
adaptabilidad, MEMORIA ASOCIATIVA (=Véase).
SISTEMA ADAPTATIVO
Sistema de control o de reconocimiento de patrones que logra mejorar su desempeño
ajustando automáticamente parámetros internos.
SISTEMA BASADO EN CONOCIMIENTOS = (Véase: SISTEMA CON BASE DE CONOCIMIENTOS).
SISTEMA CON BASE DE CONOCIMIENTOS
Sistema computacional que utiliza un “mecanismo de inferencia” y una “Base de
Conocimientos” para la solución de problemas”.
SISTEMA DE PRODUCCIÓN
Sistema de inferencia compuesto de: un conjunto de REGLAS DE PRODUCCIÓN, una
memoria de trabajo y una estructura de control.
TOMA DE CONSEJO
Forma de aprendizaje en la cual el sistema discente modifica su comportamiento según
“consejos” declarativos dados por un sistema docente.
28
SOLUCIONADOR GENERAL DE PROBLEMAS (Ingl. = General Problem Solver, GPS).
Programa clásico de I.A. desarrollado por 1957 utilizando un método de “análisis de medios
y fines”.
TABLERO = Véase PIZARRA.
UISL
“User intorface Subroutine Library”: Conjunto de subrutinas que dan acceso a todas las
funciones de un neurocomputador ANZA (=Véase), invocándolas desde aplicaciones del
usuario.
VON-NEUMAN:
Adjetivo aplicado a la arquitectura tradicional de los computadores digitales con: Programa
almacenado en una memoria similar o igual a la memoria de datos, y con ejecución
secuencial de instrucciones.
29
BIBLIOGRAFÍA
Básica
TÍTULO: INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA INGENIERIA
AUTOR: PONCE, Pedro
AÑO: 2010
EDITORIAL O
REFERENCIA: Alfa Omega Ra-Ma
LUGAR Y AÑO DE LA
EDICIÓN México, 2010
ISBN O REGISTRO: 9788448156183
TÍTULO: INTELIGENCIA ARTIFICIAL. TECNICAS, METODOS Y APLICACIONES.
AUTOR: MARÍN, Roque
AÑO: 2008
EDITORIAL O
REFERENCIA: Mc Graw Hill
LUGAR Y AÑO DE LA
EDICIÓN España, 1a. Edición. 2008
ISBN O REGISTRO: 8448156188
TÍTULO: INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA INGENIERIA
AUTOR: RIVERO Roger
AÑO: 2011
EDITORIAL O
REFERENCIA: AlfaOmega
LUGAR Y AÑO DE LA
EDICIÓN México, 1a. Edición, 2011
ISBN O REGISTRO: 9788426717061
30
Complementaria
TÍTULO: ARTIFICIAL INTELLIGENCE, A MODERN APPROACH
AUTOR: RUSSEL, Stuart; Norving, Peter
AÑO: 2009
EDITORIAL O
REFERENCIA: Pearson Education
LUGAR Y AÑO DE LA
EDICIÓN EUA, 3a Edition, 2009
ISBN O REGISTRO: 9780136042594
TÍTULO: INTELIGENCIA ARTIFICIAL: UNA APROXIMACION (Edición en español)
AUTOR: TORRES Soler Luis Carlos y Néstor Manuel Garzón Torres
AÑO: 2012
EDITORIAL O
REFERENCIA: Editorial Académica Española
LUGAR Y AÑO DE LA
EDICIÓN España, 1a. Edición, 2012
ISBN O REGISTRO: 9783848460694
TÍTULO:
Advances in Artificial Intelligence: 14th Conference of the Spanish
Association for Artificial Intelligence, CAEPIA 2011, La Laguna, Spain.
Notes in Artificial Intelligence
AUTOR:
LOZANO José A. (Editor), José A. Gámez (Editor), José A. Moreno-Pérez (Editor)
AÑO: 2011
EDITORIAL O
REFERENCIA: Springer
LUGAR Y AÑO DE LA
EDICIÓN México, 1a. Edición, 2011
ISBN O REGISTRO: 9783642252730