Programacin de la asiganatura o

Inteligencia Computacional
Plan de estudios 1999 Ingenier en Informtica a a Departamento de Informtica a

Diego Milone

2006

UNL

FICH

 Indice
1. Generalidades 1.1. Objetivos espec cos . . . . . 1.2. Objetivos generales . . . . . . 1.3. Desarrollo del cursado . . . . 1.4. Infraestructura . . . . . . . . 1.5. Otras actividades de ctedra a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 4 5 5 6 8 8 8 9 9 9 10 10 11 12 12 12 13 13 14

2. Requerimientos de la asignatura 2.1. Evaluacin durante el cursado . o 2.1.1. Evaluacin continua . . o 2.1.2. Evaluacin parcial . . . o 2.1.3. Trabajo nal . . . . . . 2.2. Examen nal . . . . . . . . . . 2.3. Aprobacin de la asignatura . . o 2.4. Exmenes de recuperacin . . . a o 2.5. Deshonestidad acadmica . . . e 3. Programa anal tico 3.1. Introduccin . . . . . . . o 3.2. Redes Neuronales . . . . 3.3. Sistemas borrosos . . . . 3.4. Computacin Evolutiva o 3.5. Aplicaciones . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

4. Cronograma 15 4.1. Distribucin semanal . . . . . . . . . . . . . . . . . . . . . . . 15 o 4.2. Distribucin cuatrimestral . . . . . . . . . . . . . . . . . . . . 16 o 4.3. Profesores a cargo de cada clase . . . . . . . . . . . . . . . . . 17 5. Bibliograf a 19 5.1. Libros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 5.2. Publicaciones peridicas . . . . . . . . . . . . . . . . . . . . . 21 o

GENERALIDADES

1.

Generalidades

La asignatura se encuentra dividida en cuatro partes. Las tres primeras partes tratan los fundamentos tericos de: Redes Neuronales, Lgica Borrosa o o y Computacin Evolutiva. Cada una de estas partes est organizada en o a tres unidades temticas en las que se har nfasis en proveer al alumno a a e de herramientas tericas slidas. Sin embargo, en las clases de prctica se o o a trabajar siempre sobre las aplicaciones de estos conocimientos, utilizando a datos reales y articiales. La cuarta parte se compone por un conjunto de aplicaciones que permitirn al alumno obtener un conocimiento ms acabado de las potencialidades a a de cada herramienta, aplicando y profundizando los contenidos de las tres primeras partes.

1.1.

Objetivos espec cos

Que el alumno: obtenga conocimientos generales acerca del rea de la inteligencia a computacional y una idea de su magnitud y diversidad, conozca las arquitecturas neuronales ms utilizadas, a comprenda las caracter sticas dinmicas de redes recurrentes, a aprenda los algoritmos de entrenamiento, implemente distintas arquitecturas neuronales y algoritmos bsicos de a entrenamiento, aprenda y utilice la teor de conjuntos borrosos, a aprenda los mtodos de computacin evolutiva y el diseo de la solue o n cin de problemas mediante stos, o e implemente los algoritmos bsicos de computacin evolutiva y los aplia o que a problemas sencillos, adquiera independencia en el diseo de la solucin de problemas men o diante las tcnicas tratadas, e adquiera destrezas para aplicar los conocimientos adquiridos, conozca diversas aplicaciones directas de la inteligencia computacional.

GENERALIDADES

1.2.

Objetivos generales

Que el alumno: adquiera una nueva visin de la computacin, desde la perspectiva del o o aprendizaje maquinal, entienda los principios en que se basan muchas de las tecnolog con as las que tiene un contacto permanente, incremente sus capacidades para el trabajo en grupo y la distribucin o de tareas y responsabilidades, incremente sus destrezas para la transmisin oral y escrita de conocio mientos cient cos y tecnolgicos, o desarrolle su capacidad de anlisis aplicando diversas estrategias para a resolucin de problemas, o incremente sus destrezas para aprender de forma independiente, realice trabajos experimentales que reejen situaciones reales t picas, establezca contacto con publicaciones de nivel cient co, pudiendo analizarlas, reproducirlas parcialmente y criticarlas, desarrolle su creatividad en la propuesta de nuevas tcnicas o aplicae ciones y mejoras de las ya conocidas, utilice correctamente la terminolog tcnica del rea, a e a aplique e incremente sus conocimientos de ingls tcnico, e e Adems, entre otros objetivos de formacin general, se espera que el alumno: a o valore la discusin abierta como una fuente de generacin de conocio o mientos, valore los medios que la Universidad pone a su disposicin y desarrolle o sentimientos positivos hacia ella, se involucre ms intensamente con la vida universitaria, a conozca los valores y principios que sustentan a las instituciones acadmicas, e se introduzca al pensamiento cient co y tecnolgico, o se interese por formar parte en grupos de investigacin, o se interese por continuar su formacin mediante estudios de postgrado. o

GENERALIDADES

1.3.

Desarrollo del cursado

Clases de teor se desarrollarn como exposiciones de aproximadamena: a te 2 horas semanales a cargo del responsable de la asignatura. En estas clases se introducirn los conceptos tericos de cada unidad temtica. Estas a o a introducciones debern complementarse con la actividad en las clases de disa cusin, las gu de estudio y la bibliograf recomendada para cada tema. o as a Este enfoque obliga a una participacin activa del alumno en su propia foro macin aumentando su independencia y fortaleciendo sus capacidades para o el autoaprendizaje. Clases de discusin: estas clases se desarrollarn durante aproximadao a mente 1 hora y tienen como objetivo profundizar los temas desarrollados tericamente y trabajar sobre las dicultades e inquietudes conceptuales geo neradas a partir de la actividad prctica. La modalidad de trabajo es ms a a exible y participativa de forma que los alumnos planteen abiertamente sus dudas y discutan guiados por el responsable de la asignatura. Las discusiones estarn relacionadas con los objetivos espec a cos pero especialmente orientadas a tratar muchos de los aspectos mencionados en los objetivos generales. Clases de prctica: en las prcticas de laboratorio se implementarn en a a a computadora las diferentes tcnicas de inteligencia computacional. Durante e los primeros minutos de la clase se explicarn las caracter a sticas bsicas del a trabajo a realizar, asociado al tema desarrollado previamente en la clase terica. A continuacin, y con la asistencia de los Ayudantes de Ctedra, o o a se atender a cada grupo individualmente y se realizarn las evaluaciones a a correspondientes. Los prcticos son intensivos por lo que los alumnos rea cibirn una orientacin y apoyo durante la clase pero debern desarrollar a o a tambin actividades en forma autnoma. e o Cada docente estar disponible en un horario semanal para consultas, a de forma que se puedan evacuar las dudas en cualquiera de las actividades planteadas.

1.4.

Infraestructura

Para el dictado de clases: Pizarra blanca y marcadores de color de borrado en seco. Transparencias y proyector de transparencias. Proyector de can con entrada SVGA no Laboratorio de computacin o Computadoras tipo PC Pentium IV o superiores (al menos 1 cada 2 alumnos)

GENERALIDADES Sistema operativo Linux o Windows

Herramientas de programacin: bsicamente compiladores para o a los lenguajes que el alumno ha aprendido en los primeros aos n de la carrera y la disponibilidad para instalar otros compiladores que elijan los alumnos. Conexin a Internet* o Perifricos para el registro y reproduccin de audio (micrfono y e o o parlantes)* Biblioteca y hemeroteca* No se preveen gastos de movilidad. Se han marcado con asterisco las necesidades no cubiertas a la fecha. En aos anteriores se ha dictado la asignatura bajo el supuesto de que los n alumnos contaban con estos elementos en sus hogares y por lo tanto los trabajos prcticos que los requer deber realizarlos fuera de la Facula an an tad. En particular, se destaca el escaso material disponible en la biblioteca y hemeroteca, pero que podr ser en parte suplido proveyendo un buen aca ceso a Internet a travs del cual los alumnos pueden utilizar la biblioteca e electrnica de la SeCyT. o Espacio f sico para tareas de Ctedra (aprox. 10 m2 ) con: a 1 computadora PC Pentium IV o superior, 1 impresora lser, a 2 escritorios, 1 armario, 1 archivero, 5 sillas, 1 pizarra, Consumibles varios: hojas, bras, fotocopias, etc.

1.5.

Otras actividades de ctedra a

Aunque no se incluye la infraestructura especica, es intencin del reso ponsable de la asignatura que en el contexto de la Ctedra: a se forme un grupo de investigacin y desarrollo en las reas de Proceo a samiento de Seales e Inteligencia Computacional, n se dicten seminarios y cursos de postgrado,

GENERALIDADES se participe en actividades de direccin, gestin o extensin, o o o

se realice una formacin continua de recursos humanos con actividades o de actualizacin y perfeccionamiento, o se brinden servicios y se realice transferencia de tecnolog al medio. a

REQUERIMIENTOS DE LA ASIGNATURA

2.
2.1.

Requerimientos de la asignatura
Evaluacin durante el cursado o

La evaluacin durante el cursado se realiza en diferentes escalas temporales: o Evaluacin continua o Evaluacin parcial o Trabajo nal 2.1.1. Evaluacin continua o

Dentro de las 3 horas previstas para la actividad prctica, se utilizarn a a aproximadamente 15 minutos para esta evaluacin. Se evaluarn los avances o a en la realizacin de trabajos prcticos y los conocimientos tericos bsicos o a o a relacionados con el trabajo prctico. Los grupos de trabajo se conformarn a a 1 . En cada ocasin el responsable de la prctica optar por de 2 o 3 miembros o a a alguna de las siguientes modalidades de evaluacin: o Evaluacin oral grupal: defensa del trabajo prctico del tema correso a pondiente y frente a la computadora, con todos los ejercicios resueltos. Durante esta defensa se evalan tanto los conocimientos prcticos u a como los tericos. Si bien la evaluacin es grupal, cada integrante del o o grupo debe estar en condiciones de responder correctamente a las preguntas. Evaluacin escrita individual: consistente en una serie preguntas en o relacin al trabajo prctico y sus fundamentos tericos. o a o Evaluacin escrita grupal: entrega de un informe tcnico del trabao e jo prctico, donde deben presentarse adecuadamente los resultados, a discusin y conclusiones para cada ejercicio de la gu 2 . o a Si bien el alumno puede utilizar cualquier lenguaje o herramienta de programacin, se recomienda utilizar un lenguaje de programacin compilado, o o dada la gran carga computacional de los clculos involucrados3 . a
No se aceptarn trabajos individuales. a En este caso se informar al alumno acerca de la modalidad con una semana de a antelacin para que pueda preparar el informe escrito. o 3 El aprendizaje de una forma de implementacin particular, lenguaje o herramienta de o programacin no forma parte de los objetivos de la asignatura. o
2 1

REQUERIMIENTOS DE LA ASIGNATURA Evaluacin parcial o

2.1.2.

Se proveen dos exmenes parciales, involucrando aproximadamente la a mitad de los temas del programa en cada uno4 . Estas evaluaciones sern de a aproximadamente 2:30 horas cada una, consistiendo en un examen escrito con preguntas tericas y problemas de aplicacin. o o 2.1.3. Trabajo nal

El trabajo podr realizarse individualmente o en grupos de hasta 2 aluma nos. Deber ajustarse a una de las siguientes modalidades: a Anlisis cr a tico de una publicacin cient o ca: consistente en la lectura y anlisis de un trabajo original de reciente publicacin y en la temtica a o a de la asignatura. Se proveern diversas publicaciones para realizar una a seleccin pero tambin se aceptarn, previa revisin, art o e a o culos que los alumnos busquen en la hemeroteca de la Facultad o en otras fuentes. Propuesta creativa: es un trabajo original propuesto por el alumno. Este trabajo deber ser acompaado por una bsqueda bibliogrca de a n u a antecedentes relacionados e implementado a partir de las herramientas computacionales que se proveen durante el cursado. En ambos casos la aprobacin consistir en la entrega de un informe o a escrito y una presentacin oral de 15 minutos, con defensa de 5 minutos5 . o La temtica y el alcance debe ser acordado con el responsable de la asignaa tura antes de comenzar el trabajo. La presentacin se realizar durante las o a ultimas semanas del cursado, segn se indica en el cronograma. u

2.2.

Examen nal

Los exmenes nales sern individuales y se dividirn en: a a a Parte 1 Evaluacin de prctica: examen a libro abierto y con compuo a tadora. Se plantearn problemas que involucren varios temas de a la asignatura y debern ser resueltos en un plazo de 3 horas. Dua rante el examen el alumno podr consultar toda la bibliograf a a con la que cuente en el aula, utilizar cdigo fuente desarrollado o previamente e incluso traer su propia computadora con todo el material que necesite. No se podrn realizar consultas a terceros a y una vez resueltos los problemas el alumno deber defender adea cuadamente cada parte de la implementacin segn lo solicite el o u tribunal.
Los temas incluidos en cada parcial se indican detalladamente en el cronograma. Las caracter sticas del informe y la presentacin se especicarn oportunamente duo a rante el cursado.
5 4

REQUERIMIENTOS DE LA ASIGNATURA

10

Parte 2 Evaluacin de teor examen oral6 de entre 15 y 30 minuo a: tos por alumno. Se evaluarn tres temas para los que el alumno a podr realizar un desarrollo preliminar en la pizarra y luego exa plicar oralmente, responder a las preguntas y realizar las ampliaciones que se le soliciten. El tribunal podr agregar preguntas de a otros temas para terminar de denir la calicacin. o

2.3.

Aprobacin de la asignatura o

Puntos a obtener durante el cursado: Evaluacin continua: 40 puntos (distribuidos por tema). o Evaluaciones parciales: 40 puntos (distribuidos por parcial). Trabajo nal: 20 puntos (10 en la presentacin oral y 10 en el informe o escrito) Para aprobar la asignatura se contemplan las siguientes condiciones: Promocin completa: acumular 80 puntos o ms en las evaluaciones o a durante el cursado. No rinde el examen nal. Promocin de prctica: acumular 60 puntos o ms en las evaluaciones o a a durante el cursado. En el examen nal rinde slo la Parte 2 (evaluacin o o de teor a). Alumno libre7 : acumula menos de 60 puntos en las evaluaciones durante el cursado. Rinde el examen nal completo y adems debe aprobar a el trabajo nal tal como se indica en la Seccin 2.1.3. o En ningn caso es vlida la acumulacin de puntos si en alguna de las u a o etapas se obtiene menos del 40 % de la puntuacin total. o

2.4.

Exmenes de recuperacin a o

En caso de no alcanzar este 40 % en alguna de las instancias de evaluacin o continua se podr recuperar un tema. a Para aumentar la calicacin en las evaluaciones parciales se podr reo a 8. cuperar un examen a eleccin o Los exmenes de recuperacin sern individuales aunque la modalidad a o a (escrito/oral) ser dispuesta por el responsable de la asignatura indepena dientemente de aquella con que se hubiese evaluado originalmente el tema.
6 El tribunal podr optar por un examen escrito si se presenta un nmero excesivo de a u alumnos. 7 Informar al responsable de la asignatura 15 d antes de la fecha en que desea preas sentarse. 8 La nota nal es el mximo entre el examen parcial y el examen de recuperacin. a o

REQUERIMIENTOS DE LA ASIGNATURA

11

2.5.

Deshonestidad acadmica e

En el caso de que un alumno incurra en cualquier acto de deshonestidad acadmica quedar automticamente LIBRE sin importar su condicin pree a a o via en la asignatura. Adems se elevar un pedido a la Secretar Acadmica a a a e para que el alumno sea sancionado de acuerdo al caso. Se considerarn aca tos de deshonestidad acadmica: copiar exmenes (de cualquier tipo y en e a cualquier forma), copiar informes, copiar programas o ideas originales para la resolucin de problemas. Como regla general, en un caso de copia son o culpables ambas partes, por lo tanto cuide sus informes, cdigos fuente o o cualquier otro objeto de una evaluacin. o Como es natural, no es posible enumerar todos los casos de deshonestidad acadmica por lo que la lista anterior no es exhaustiva y otros casos e sern analizados oportunamente. Si usted tiene alguna duda, consulte con a el responsable de la asignatura antes de realizar cualquier accin. o

PROGRAMA ANAL ITICO

12

3.
3.1.

Programa anal tico

Introduccin o

Unidad I: Breve revisin histrica de la inteligencia computacional. o o Areas del conocimiento involucradas y su relacin con la inteligencia o articial. El cerebro humano y las limitaciones del clculo computacioa nal. La importancia y el amplio espectro de aplicaciones de la inteligencia computacional. Introduccin a las tres tcnicas fundamentales o e de la inteligencia computacional.

3.2.

Redes Neuronales

Unidad II: Introduccin a las redes neuronales. La inspiracin biolgio o o ca: siolog neuronal bsica, redes de neuronas biolgicas y escalas de a a o organizacin estructural del cerebro. Modelos de neurona: la sinapo sis, funciones de activacin. Generalidades: caracter o sticas de las redes neuronales, clasicacin de las arquitecturas neuronales, clasicacin o o de los procesos de aprendizaje, espacio de soluciones, m nimos locales y globales, capacidad de generalizacin y tcnicas de validacin cruzada, o e o campos de aplicacin. o Unidad III: Redes neuronales estticas. Perceptrn simple: descripa o cin del modelo, ejemplo sencillo de clasicacin de patrones, hipero o planos para la separacin de clases, entrenamiento y limitaciones. El o perceptrn multicapa: formulacin matemtica del algoritmo de la reo o a tropropagacin, velocidad de aprendizaje y trmino de momento, eno e trenamientos por patrn y por lote, inicializacin y criterios de nalio o zacin, consideraciones prcticas para la denicin de la topolog y los o a o a parmetros de entrenamiento. Redes neuronales con funciones de base a radial: arquitectura, fronteras de decisin, algoritmos de entrenamieno to. Mapas auto-organizativos: arquitecturas de una y dos dimensiones, algoritmo de entrenamiento, entorno de adaptacin, mapas topolgio o cos, cuantizacin vectorial con aprendizaje. o Unidad IV: Redes neuronales dinmicas. Dinmica temporal en las a a redes neuronales: concepto y tipos de dinmicas temporales, clasicaa cin general. Redes totalmente recurrentes: red de Hopeld, almaceo namiento y recuperacin de datos en una memoria asociativa, temple o simulado y la mquina de Boltzmann. Redes parcialmente recurrentes: a retropropagacin a travs del tiempo, redes neuronales con retardos en o e el tiempo, clasicacin espacio-temporal, redes de Elman y Jordan. o

PROGRAMA ANAL ITICO

13

3.3.

Sistemas borrosos

Unidad V: Introduccin a los sistemas borrosos. La borrosidad como o multivalencia: incerteza versus aleatoriedad, teor clsica de conjuna a tos y conjuntos borrosos, funcin de membres Representaciones del o a. conocimiento basadas en reglas: variables ling usticas, los sistemas expertos y la lgica borrosa. Caracter o sticas generales y campo de aplicaciones. Unidad VI: Teor de los conjuntos borrosos. Geometr de los cona a juntos borrosos: representacin grca, membres denicin de subo a a, o conjunto borroso. Denicin e interpretacin grca de los operadores o o a borrosos: inclusin, igualdad, complemento, interseccin, unin, suma o o o disyuntiva, diferencia. El conjunto medio. Medidas de distancia y distancias relativas. Caracterizacin de conjuntos borrosos: conjuntos de o nivel , conjunto convexo, conjunto normal, tamao de un conjunto n borroso. Entrop borrosa, teorema de la entrop borrosa, teorema a a del subconjunto, teorema entrop a-subconjunto. Unidad VII: Memorias asociativas borrosas. Generalidades: memorias asociativas borrosas como mapeos, reglas borrosas simples y compuestas, ejemplos de aproximacin de funciones y control borroso. Desde o las entradas escalares a los antecedentes de reglas borrosas9 . Codicacin de reglas borrosas: discretizacin de los conjuntos de entrada o o y salida, memorias asociativas borrosas hebbianas, codicacin por o correlacin-m o nimo, codicacin por correlacin-producto, teorema de o o bidireccionalidad. Modelos para la composicin de reglas. De los cono secuentes borrosos a las salidas escalares10 : mtodos de mximo y cene a troide borroso. Memorias borrosas bidireccionales y adaptativas. Conjuntos de membres continuos, representacin y composicin de varios a o o antecedentes por consecuente. Comparacin con la representacin del o o conocimiento mediante redes neuronales y sistemas expertos.

3.4.

Computacin Evolutiva o

Unidad VIII: Introduccin la computacin evolutiva. La inspiracin o o o biolgica: teor de la evolucin, la evolucin darwiniana como un alo a o o goritmo, Darwin vs. Lamarck, gentica bsica. La estructura de un e a algoritmo evolutivo: iniciacin de individuos, evaluacin de aptitudes, o o seleccin de progenitores, variacin y reproduccin. Generalidades: o o o clasicacin de los mtodos de computacin evolutiva, caracter o e o sticas generales, bsqueda y optimizacin de soluciones, algoritmos deu o
9 10

Proceso conocido en ingls como fuzzication. e Proceso conocido en ingls como defuzzication. e

PROGRAMA ANAL ITICO

14

termin sticos y la importancia de las variables aleatorias, campos de aplicacin. o Unidad IX: Diseo de un algoritmo evolutivo. Representacin de los n o individuos: espacios del genotipo y fenotipo, representaciones binarias y otros esquemas ms generales. Funcin de aptitud: caracter a o sticas necesarias, mapeo del genotipo al fenotipo, ejemplos simples. Mecanismos de seleccin: importancia de las variables aleatorias, mtodo o e de la ruleta, mtodo de las ventanas o rangos, mtodo de competene e cias, elitismo. Operadores elementales de variacin: cruzas simples y o mltiples, mutaciones, el rol de cada operador en la bsqueda de soluu u ciones. Reproduccin: generacin de la nueva poblacin de individuos, o o o brecha generacional. Parmetros de funcionamiento: probabilidad de a cruza, probabilidad de mutacin, tamao de la poblacin, individuos o n o en la brecha generacional. Unidad X: Variantes de la computacin evolutiva. Deniciones y ano a lisis comparativo: algoritmos genticos, programacin gentica, estrae o e tegias de evolucin. Comparacin con otras tcnicas de optimizacin o o e o y bsqueda: mtodos de bsqueda exhaustiva, mtodos de gradiente u e u e descendiente, mtodo de Monte Carlo y otros mtodos de bsqueda e e u aleatoria.

3.5.

Aplicaciones

Unidad XI: Conguracin del problema y aplicacin de las tcnicas de o o e inteligencia computacional en: Clasicacin de patrones. Agrupacin o o de patrones. Aproximacin de funciones. Optimizacin. Bsqueda de o o u soluciones. Prediccin de series temporales. Control de procesos. Ideno ticacin de sistemas. Compresin de seales. Memorias neuronales y o o n borrosas. Interrelaciones de las tcnicas de inteligencia computacional. e

CRONOGRAMA

15

4.
4.1.

Cronograma
Distribucin semanal o

La asignatura consta de 90 horas11 distribuidas en un cuatrimestre, que se corresponden aproximadamente con 6 horas semanales de cursado, distribuidas de la siguiente forma: Clases de discusin: jueves 15:00 a 16:00 horas12 . o Clases tericas: jueves de 16:00 a 18:00 horas. o Clases prcticas: lunes de 15:00 a 18:00 horas. a Formacin experimental: 50 minutos. o Resolucin de trabajos prcticos: 30 minutos. o a Resolucin de problemas abiertos: 55 minutos. o Proyecto y diseo: 30 minutos. n Evaluacin continua: 15 minutos en el horario de las clases prcticas. o a Cada docente estar disponible una vez por semana para consultas, en a un horario a convenir con los alumnos. Se puede estimar que los alumnos deber dedicar fuera del horario de an clases, y para cada actividad, el equivalente a la carga horaria semanal, de forma de poder complementar los estudios y trabajos en grupo requeridos. Las clases de prctica y la evaluacin continua se realizan en el Laboraa o torio de Computacin compartido en la Escuela de Medicina. Las clase de o teor y discusin se realizarn en el Aula 4 (planta baja). a o a Adems, los alumnos podrn suscribirse al grupo electrnico de la asiga a o 13 , desde el cual podrn realizar consultas y recibir informacin por natura a o email, acceder al material de estudio, las gu de trabajos prcticos, transas a parencias de teor patrones de prueba y otros documentos de utilidad para a, el cursado. Se solicita a los alumnos prestar especial atencin a los horarios de curo sado y consultas. En cualquier caso (tanto para consultas tcnicas como e administrativas) se solicita respetar los horarios establecidos.

Segn lo requiere el Plan de Estudios 1999. u Se utilizar el horario de las clases de discusin y las clases tericas para los dos a o o exmenes parciales. a 13 http://groups.yahoo.com/group/mpdfich
12

11

CRONOGRAMA

16

4.2.

Distribucin cuatrimestral o

Semana 1 : Clase de prctica (07/08/06): comienza la GTP 1 (perceptrn simple). a o Clase de discusin (10/08/06): planicacin y condiciones de regulario o dad. Clase de teor (10/08/06): Unidades I, II y III (introduccin a la a o materia, generalidades de redes neuronales, perceptrn simple). o Semana 2 : Clase de prctica (14/08/06): continua la GTP 1. a Clase de teor (17/08/06): Unidad III (perceptrn multicapa). a o Semana 3 : Clase de prctica (21/08/06): feriado. a Clase de teor (24/08/06): Unidad III (redes con funciones de base a radial). Semana 4 : Clase de prctica (28/08/06): comienza GTP 2 (perceptrn multicaa o pa). Clase de teor (31/08/06): Introduccin al reconocimiento estad a o stico de formas14 . Semana 5 : No se dictan clases. Semana 6 : Evaluacin (11/09/06): GTP 1 (perceptrn simple). o o Clase de prctica (11/09/06): continua GTP 2. a Clase de teor (14/09/06): Unidad III (mapas auto-organizativos). a Semana 7 : Clase de prctica (18/09/06): comienza GTP 3 (redes con funciones a de base radial, mapas auto-organizativos y redes de Hopeld). Clase de teor (21/09/06): feriado. a Semana 8 : Evaluacin (25/09/06): GTP 2 (perceptrn multicapa). o o Clase de prctica (25/09/06): continua GTP 3. a Clase de teor (28/09/06): Unidad IV (redes dinmicas). a a Semana 9 : Semana de exmenes nales. a
14

Clase especial dictada el Profesor Csar Mart e nez (invitado).

CRONOGRAMA

17

Semana 10 : Clase de prctica (09/10/06): continua GTP 3. a Clase de teor (12/10/06): Parcial 1 (Unidades I a III). a Semana 11 : Clase de prctica (16/10/06): feriado. a Clase de teor (19/10/06): Unidades V y VI (sistemas y conjuntos a borrosos). Semana 12 : Evaluacin (23/10/06): GTP 3 (redes con funciones de base radial, o mapas auto-organizativos y redes de Hopeld). Clase de prctica (23/10/06): comienza GTP 4 (control borroso). a Clase de teor (26/10/06): Unidad VII (memorias asociativas borroa sas). Semana 13 : Clase de prctica (30/10/06): continua GTP 4. a En el horario de la prctica (30/10/06): Introduccin a los sistemas a o 15 . basados en conocimientos Clase de teor (02/11/06): Unidades VIII y IX (introduccin a la a o computacin evolutiva, algoritmos genticos). o e Semana 14 : Evaluacin (06/11/06): GTP 4 (control borroso). o Clase de prctica (06/11/06): comienza GTP 5 (algoritmos genticos). a e Clase de teor (09/11/06): Unidad X (variantes de la computacin a o evolutiva). Unidad XI (distribucin de trabajos de aplicacin y discuo o sin sobre los art o culos o propuestas creativas para el trabajo nal). Semana 15 : Clase de prctica (13/11/06): continua GTP 5. a Clases de teor (16/11/06): Parcial 2 (Unidades IV a XI). a Semana 16 : Evaluacin (20/11/06): GTP 5 (algoritmos genticos). Recuperao e cin de prcticos y parciales. o a Clases de teor (23/11/06): entrega y presentacin de los trabajos a o 16 . Presentacin de los trabajos de aplicacin. nales o o

4.3.

Profesores a cargo de cada clase

Dr. Diego H. Milone: clases tericas y de discusin de las semanas 1, o o 2, 11 y 13.

15 16

Clase especial dictada la Profesora Gabriela Henning (invitada). Todos los alumnos deben estar presentes durante esta clase.

CRONOGRAMA

18

Dr. Hugo L. Runer: clases tericas y de discusin de las semanas 3, o o 6, 8 y 14. Bioing. Leandro E. Di Persia: clases prcticas (a cargo) y clase terica a o de la semana 12. Ing. Leandro D. Vignolo: clases prcticas. a

BIBLIOGRAF IA

19

5.

Bibliograf a

Buena parte de la bibliograf est disponible en ingls, por lo cual es a a e necesario que los alumnos posean una capacidad suciente para la lectura y comprensin de textos en este idioma. o

5.1.

Libros

En cada unidad temtica se sugerir el o los cap a a tulos correspondientes. M.M. Gupta, L. Jin, N. Homma, Static and Dynamic Neural Networks From Fundamentals to Advanced Theory, John Wiley & Sons, 2003. S. Haykin, Neural Networks: A Comprehensive Foundation, Macmillan College Publishing Company, 1994. T. Kohonen, Self Organizing Maps, Springer Verlag, 1995. J. Freeman, Simulating Neural Networks, Addison Wesley, 1994. J. Freeman y D. Skapura, Redes neuronales: algoritmos, aplicaciones y tcnicas de programacin, Addison Wesley, 1993. e o C. Bishop, Neural Networks for Pattern Recognition, Oxford, 1999. C. Lau, Neural Networks: Theoretical Foundations and Analysis, IEEE Press, 1992. R. M. Hristev, The ANN Book, 1998. B. D. Ripley, Pattern Recognition and Neural Networks, Cambridge Univ. Press, 1996. T. Masters, Neural, Novel & Hybrid Algorithms for Time Series Prediction, J. Wiley & Sons, 1995. W. Siler, J.J. Buckley, Fuzzy Expert Systems and Fuzzy Reasoning, John Wiley & Sons, 2005. K. Tanaka, H. O. Wang, Fuzzy Control Systems Design and Analysis, John Wiley & Sons, 2001. F. M. McNeill, E. Thro, Fuzzy Logic, A Practical Approach, Academic Press, 1994. J-S. R. Jang, C-T. Sun, E. Mizutani, Neuro-Fuzzy And Soft Computing: A Computational Approach To Learning And Machine Intelligence, Prentice Hall, 1997.

BIBLIOGRAF IA

20

O. Wolkenhauer, Data Engineering: Fuzzy Mathematics in Systems Theory and Data Analysis, John Wiley & Sons, 2001. B. Kosko, Fuzzy Engineering, Prentice Hall, 1997. B. Kosko, Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence, Prentice Hall, 1992. L. A. Zadeh y J. Kacprzyk, Fuzzy Logic for the Management of Uncertainty, John Wiley, 1992. J. C. Bezdek y S. K. Sankar, Fuzzy Models for Pattern Recognition: Methods that Search for Structures in Data, IEEE Press, 1992. R. L. Haupt, S. E. Haupt, Practical Genetic Algorithms, John Wiley & Sons, 2004. A. Menon, Frontiers of Evolutionary Computation, Kluwer Academic Publishers, 2004. L. D. Chambers, The Practical Handbook of Genetic Algorithms, Vols. I, II & III, CRC Press, 2000. T. Back, D. B. Fogel, Z. Michalewicz, Evolutionary Computation 1: Basic Algorithms and Operators, IOP Publishing Ltd, 2000. T. Back, D. B. Fogel, Z. Michalewicz, Evolutionary Computation 2: Advanced Algorithms and Operators, IOP Publishing Ltd, 2000. M. Mitchell, An Introduction to Genetic Algorithms, MIT Press, 1999. T. Back, D. B. Fogel, Z. Michalewicz, Handbook of Evolutionary Computation, IOP Publishing Ltd and Oxford University Press, 1997. D. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, 1989. Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer Verlag, 1992. S. Pal y P. Wang, Genetic Algorithm for Pattern Recognition, CRC Press, 1996. C. von Altrock, Fuzzy Logic and Neurofuzzy Application Explained, Prentice Hall, 1995. L. Davis (Ed.), Handbook of Genetic Algorithms, Van Nostrand Reinhold, 1991.

BIBLIOGRAF IA

21

R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classication (2da Edicin), Wiley Interscience, 2000. o A. Konar, Behavioral and Cognitive Modeling of the Human Brain Articial Intelligence and Soft Computing, CRC Press, 2000. A. P. Engelbrecht, Computational Intelligence: An Introduction, John Wiley & Sons, 2002. David J.C. MacKay, Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003. V. Kecman, Learning and Soft Computing: Support Vector Machines, Neural Networks and Fuzzy Logic Models, MIT Press, 2001. V. Cherkassky y F. Mulier, Learning from Data: Conceps, Theory and Methods, Wiley International Science, 1998. V. N. Vapnik, The Nature of Statistical Learning Theory, Springer, 2000.

5.2.

Publicaciones peridicas o

Proceedings of the IEEE. IEEE Transactions on: Fuzzy Systems Evolutionary Computation Neural Networks Pattern Analysis and Machine Intelligence Systems, Man, and Cybernetics Robotics and Automation Image Processing Information Theory Knowledge and Data Engineering Elsevier Science: Fuzzy Sets and Systems Intelligent Data Analysis International Journal of Neurocomputing

BIBLIOGRAF IA Neural Networks Pattern Recognition Neurocomputing

22

Ablex Publishing: Journal of Articial Neural Networks World Scientic Publishing: International Journal on Articial Intelligence Tools International Journal of Intelligent Control and Systems International Journal of Neural Systems International Journal of Pattern Recognition and Articial Intelligence International Journal of Cooperative Intelligent Systems International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems MIT Press: Neural Computation Evolutionary Computation Journal of Cognitive Neuroscience Kluwer Academic Publishers: Machine Learning Neural Processing Letters Journal of Intelligent Systems (con Freund Publishing House Ltd.) Springer Verlag: Neural Computing with Applications John Wiley & Sons: International Journal of Intelligent Systems Pergamom Press: Neural Networks Blackwell Publishers: Computational Intelligence International Neural Network Society: INNS Neural Networks Newsletter Finance & Technology Publishing: Journal of Computational Intelligence in Finance