You are on page 1of 6

UNIVERSIDAD NACIONAL DE TRUJILLO

SILABO DE INTELIGENCIA ARTIFICIAL


I. IDENTIFICACIN
1.1. Experiencia Curricular: INTELIGENCIA ARTIFICIAL
1.2. Facultad: FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS
1.3. Para estudiantes de la carrera: INFORMATICA
1.3.1. Sede: Trujillo
1.4. Calendario Acadmico: 2017-I
1.5. Ao/Ciclo Acadmico: 9
1.6. Cdigo de curso: 1028
1.7. Seccin: A
1.8. Creditos: 4
1.9. Nmero de Rotaciones, veces que se desarrolla la experiencia curricular en el ao/ciclo acadmico: 1
1.10. Duracin por vez de rotacin (Nro. de Semanas/Días): 16
1.11. Extensin horaria:
1.11.1. Total de horas semanales: 6
- Horas Teora: 2
- Horas Prctica: 4
1.11.2. Total de Horas Ao/Semestre: 102
1.12. Organizacin del tiempo Anual/Semestral:
Tipo Total Unidad Semana/Día
Actividades Hs I II III Aplazado
- Sesiones Tericas 32 12 10 10 ---
- Sesiones Prcticas 52 20 16 16 ---
- Sesiones de Evaluacin 18 4 4 4 6
Total Horas 102 --- --- --- ---
1.13. Prerrequisitos:
- Cursos:
- PROGRAMACION EN LOGICA
- Creditos: No necesarios
1.14. Docente(s):
1.14.1. Coordinador(es):
Descripcin Nombre Profesin Email
Coordinador General Dr. GUTIERREZ Ing de Computacin jlgutgut@yahoo.es
GUTIERREZ, JORGE LUIS
II. FUNDAMENTACIN Y DESCRIPCIN
El curso brinda las bases para que el alumno se encuentre en capacidad de comprender, representar y
modelar el conocimiento humano a travs del uso de la computadora.
Es parte fundamental del curso lograr que el alumno se motive por medio de la transmisin de
conocimientos y experiencias de la vida real, para que investigue y se sienta inmerso de la representacin
del conocimiento por medio de Bases de Conocimiento.
El curso comprende los temas de: Inteligencia Artificial, Agentes inteligentes, Sistemas Expertos, Redes
neuronales, Lgica difusa, Algoritmos genticos.
III. APRENDIZAJES ESPERADOS
Se espera que el estudiante:
1. domine los conceptos bsicos de la Inteligencia Artificial.
2. Represente los problemas de bsqueda mediante rboles.
3. Construya sistemas expertos basados en reglas de produccin y teora de probabilidades.
4. Disee sistemas difusos.
5. Modele la solucin de problemas computacionales usando Redes Neuronales y algoritmos genticos.
IV. PROGRAMACIN
4.1. UNIDAD 1
4.1.1. Denominacin: Problemas de la inteligencia artificial clsica
4.1.2. Inicio: 2017-05-15 Termino: 2017-06-23 Nmero de Semanas/Das: 6
4.1.3. Objetivos de Aprendizaje
i.- representar de problemas de estados
ii.- discriminar problemas de bsqueda por profundidad y por amplitud
iii.- identificar reas de la inteligencia artificial.
4.1.4. Desarrollo de la Enseanza-Aprendizaje:

Pg. 1
UNIVERSIDAD NACIONAL DE TRUJILLO

Semana/D Actividades y Contenidos


a
Semana/D Teora:
a1 Areas de la inteligencia artificial. Agente inteligente.
Inicio: Prctica:
2017-05-15 Construye una matriz PAMA.
Termino: Laboratorio:
2017-05-19 Ejemplos usando swi-prolog
Semana/D Teora:
a2 Estrategias de bsqueda no informada:
Inicio: Bsqueda primero en Amplitud. Bsqueda en profundidad.
2017-05-22 Prctica:
Termino: Ejercicio de bsqueda (laberinto, el granjero)
2017-05-26 Laboratorio:
Solucin al problema de bsqueda con swi-prolog
Semana/D Teora:
a3 Solucin al problema de bsqueda.
Inicio: Prctica:
2017-05-29 Misioneros y canbales.
Termino: Laboratorio:
2017-06-02 Animacin de la solucin de bsqueda. Conexin java con swi-prolog
Semana/D Teora:
a4 Bsqueda informada. Bsqueda voraz. Bsqueda primero el
Inicio: mejor (A*). BRPM.
2017-06-05 Prctica:
Termino: Ejercicio - ciudades de Rumania.
2017-06-09 Laboratorio:
Backtrack, satisfaccin de restricciones.
Semana/D Teora:
a5 Minimax. Juegos con adversarios.
Inicio: Prctica:
2017-06-12 Tres en raya
Termino: Laboratorio:
2017-06-16 swi-prolog
Semana/D Teora:
a6 examen de unidad
Inicio: Prctica:
2017-06-19 ejercicios de revisin
Termino: Laboratorio:
2017-06-23 evaluacin prctica

4.1.5. Evaluacin del Aprendizaje:


Semana/D Tcnica/Instrumento
a
Semana/D Prctica de laboratorio
a1
Inicio:
2017-05-15
Termino:
2017-05-19
Semana/D Prctica de laboratorio
a2
Inicio:
2017-05-22
Termino:
2017-05-26
Semana/D Prctica de laboratorio
a3
Inicio:
2017-05-29
Termino:
2017-06-02
Semana/D Prctica de laboratorio

Pg. 2
UNIVERSIDAD NACIONAL DE TRUJILLO

a4
Inicio:
2017-06-05
Termino:
2017-06-09
Semana/D Prctica de laboratorio
a5
Inicio:
2017-06-12
Termino:
2017-06-16
Semana/D Examen escrito
a6 Rbrica de Proyecto
Inicio:
2017-06-19
Termino:
2017-06-23
4.2. UNIDAD 2
4.2.1. Denominacin: Sistemas expertos y difusos
4.2.2. Inicio: 2017-06-26 Termino: 2017-07-28 Nmero de Semanas/Das: 5
4.2.3. Objetivos de Aprendizaje
i.- comprender el funcionamiento de los sistemas expertos.
ii.- explicar los fundamentos de la lgica fuzzy
4.2.4. Desarrollo de la Enseanza-Aprendizaje:
Semana/D Actividades y Contenidos
a
Semana/D Teora:
a7 Sistemas expertos determinsticos.
Inicio: Arquitectura del sistema experto
2017-06-26 Prctica:
Termino: Caso de ejemplo.
2017-06-30 Laboratorio:
solucin de caso con swi-prolog
Semana/D Teora:
a8 Sistemas expertos probabilsticos.
Inicio: Arquitectura del sistema experto
2017-07-03 Prctica:
Termino: Caso de ejemplo.
2017-07-07 Laboratorio:
solucin con mysql con swi-prolog
Semana/D Teora:
a9 Fundamentos de la lgica difusa.
Inicio: Prctica:
2017-07-10 Sistemas de control difuso
Termino: Laboratorio:
2017-07-14 casos desarrollados con xfuzzy
Semana/D Teora:
a 10 Algoritmo del sistema de control difuso
Inicio: Prctica:
2017-07-17 Investigacin formativa (presentacin de monografa)
Termino: Laboratorio:
2017-07-21 casos desarrollados con xfuzzy
Semana/D Teora:
a 11 examen de unidad
Inicio: Prctica:
2017-07-24 ejercicios de revisin
Termino: Laboratorio:
2017-07-28 evaluacin prctica

4.2.5. Evaluacin del Aprendizaje:

Pg. 3
UNIVERSIDAD NACIONAL DE TRUJILLO

Semana/D Tcnica/Instrumento
a
Semana/D Prctica de laboratorio
a7
Inicio:
2017-06-26
Termino:
2017-06-30
Semana/D Prctica de laboratorio
a8
Inicio:
2017-07-03
Termino:
2017-07-07
Semana/D Prctica de laboratorio
a9
Inicio:
2017-07-10
Termino:
2017-07-14
Semana/D Prctica de laboratorio
a 10
Inicio:
2017-07-17
Termino:
2017-07-21
Semana/D Examen escrito
a 11 Rbrica de proyecto
Inicio:
2017-07-24
Termino:
2017-07-28
4.3. UNIDAD 3
4.3.1. Denominacin: Redes neuronales y algoritmos genticos
4.3.2. Inicio: 2017-07-31 Termino: 2017-09-01 Nmero de Semanas/Das: 5
4.3.3. Objetivos de Aprendizaje
i.- Explicar el funcionamiento de los algoritmos genticos
ii.- Explicar la clasificacin a las redes neuronales
4.3.4. Desarrollo de la Enseanza-Aprendizaje:
Semana/D Actividades y Contenidos
a
Semana/D Teora: Algoritmos Genticos
a 12 Prctica:
Inicio: Casos desarrollados
2017-07-31 Laboratorio:
Termino: casos desarrollados con software jgap
2017-08-04
Semana/D Teora:
a 13 Redes neuronales.
Inicio: Prctica:
2017-08-07 Casos de aplicacin con perceptrn.
Termino: Laboratorio:
2017-08-11 entrenamiento con software JOONE
Semana/D Teora:
a 14 Perceptrn multicapa
Inicio: Prctica:
2017-08-14 Algoritmo general de redes neuronales de 3 capas.
Termino: Laboratorio:
2017-08-18 verificacin del entrenamiento con excel
Semana/D Teora:
a 15 Backpropagation
Inicio: Prctica:

Pg. 4
UNIVERSIDAD NACIONAL DE TRUJILLO

2017-08-21 caso desarrollado


Termino: Laboratorio:
2017-08-25 verificacin del entrenamiento con java
Semana/D Prueba escrita de la unidad.
a 16 Presentacin del proyecto prctico
Inicio:
2017-08-28
Termino:
2017-09-01

4.3.5. Evaluacin del Aprendizaje:


Semana/D Tcnica/Instrumento
a
Semana/D prctica de laboratorio
a 12
Inicio:
2017-07-31
Termino:
2017-08-04
Semana/D prctica de laboratorio
a 13
Inicio:
2017-08-07
Termino:
2017-08-11
Semana/D prctica de laboratorio
a 14
Inicio:
2017-08-14
Termino:
2017-08-18
Semana/D prctica de laboratorio
a 15
Inicio:
2017-08-21
Termino:
2017-08-25
Semana/D prueba escrito
a 16 rbrica de proyecto
Inicio:
2017-08-28
Termino:
2017-09-01
4.4. APLAZADO
Semana/Da Tcnica/Instrumento
Semana/Da 17 Examen de Aplazado, evaluaciones pertimentes
del curso.
V. NORMAS DE EVALUACIN
1. Base Legal: Reglamento de normas generales de evaluacin del aprendizaje de los estudiantes del
pregrado de la Universidad Nacional de Trujillo.

2. Normas especficas en la experiencia curricular:


2.1 Requisitos de aprobacin:
Tener 70% de asistencia al curso.
Obtener una nota mnima de ONCE.
El medio punto favorece al estudiante.

2.2 Frmula para obtener el promedio promocional:


NP = (U1 + U2 + U3)/3
NP = Nota Promocional
UN = Nota de Unidad
UN = (2EU+IE)/3

Pg. 5
UNIVERSIDAD NACIONAL DE TRUJILLO

EU = Examen de unidad
IE = Instrumento de evaluacin

2.3 La nota de aplazados es posible siempre y cuando el alumno haya rendido los 2/3 de las evaluaciones
VI. CONSEJERA/ORIENTACIN
1. Propsito:
Absolver dudas de los estudiantes y reorientarlos en los propsitos del curso.
2. Estrategias de prestacin del servicio:
La consejera se dar en los ambientes de cubo docente No 5; para lo cual el estudiante debe plantear su
duda o el tema que le interese extender. El docente le propondr ejercicios y literatura especializada para
que revise.
3.Lugar y horario semanal para la consejera extra clase:
Los dias lunes de 9am a 11am en el cubo docente No 5 Departamento de Informtica
VII. BIBLIOGRAFA
1. PALMA, J. (2009). Inteligencia Artificial. Tcnicas, mtodos y aplicaciones. Espaa: Mc GRaw Hill.

2. RUSELL, S. NORVIG, P. (2013). Artificial Intelligence: a modern approach. EEUU: Prentice Hall, 3ra
edicin.

3. NILSON, N. (2001). Inteligencia Artificial: una nueva sntesis. Mexico: Mc Graw Hill.

4. DEL BRIO, M. SANZ A. (1997). Redes neuronales y sistemas borrosos. Espaa: Editorial Ra-ma.

5. GARCIA A. (2012). Inteligencia artificial, fundamentos, prcica y aplicaciones. Espaa: editorial


Alfaomega.

El presente Silabo de la Experiencia Curricular "INTELIGENCIA ARTIFICIAL", ha sido Visado por el


Director de la ESCUELA ACADEMICO PROFESIONAL DE INFORMATICA, quien da conformidad al
silabo registrado por el docente GUTIERREZ GUTIERREZ, JORGE LUIS que fue designado por el jefe del
DEPARTAMENTO ACADEMICO DE INFORMATICA.

Pg. 6

You might also like