1.

- DATOS DE LA ASIGNATURA
Nombre de la asignatura: Herramientas par la Toma de decisiones I
Carrera: Ingeniera en Sistemas Computacionales
Clave de la asignatura: BDE-0703
Horas teora-horas prctica- 4-0-8
crditos:
2.- HISTORIA DEL PROGRAMA

Lugar y fecha de

Participantes

Observaciones

elaboracin o revisin
Instituto Tecnolgico de

Representante de

(cambios y justificacin)
Definicin de los programas

Toluca, del 07 al 25 de

Comit del Posgrado en

de estudios para la

Agosto de 2006

Ciencias de la

especialidad en Inteligencia

Computacin

Artificial

Institutos tecnolgicos

Academias de la carrera

Anlisis y enriquecimiento de

de Toluca

de Sistemas y

las propuestas de los

Computacin y

programas diseados en la

Academia del Posgrado

reunin nacional de

en Ciencias en Ciencias

evaluacin

Computacionales

3.- UBICACIN DE LA ASIGNATURA

a). Relacin con otras asignaturas del plan de estudio

Anteriores
Asignaturas
Matemticas

Posteriores
Temas
Todos

Discretas;

Asignaturas
Toma de

Temas
Todos

decisiones II

Inteligencia
Artificial I
b). Aportacin de la asignatura al perfil del egresado

Capacidad de anlisis, de desarrollo y de programacin de modelos

matemticos, estadsticos y de simulacin de comportamientos
humanos.
Coordina y realiza investigaciones que fortalezcan el desarrollo
cultural, cientfico y tecnolgico.
Aplica nuevas tecnologas a la solucin de problemas de su entorno
laboral.
Desarrolla interfaces hombre-mquina.

4.- OBJETIVO(S) GENERAL(ES) DEL CURSO

Conocer las herramientas de Inteligencia Artificial con las que se elaboran
sistemas para la toma de decisiones a partir del anlisis de datos

5.- TEMARIO
Unidad
Temas
1
Introduccin al
Reconocimiento de Patrones

1.1.
1.2.

1.3.
1.4.

Subtemas
Reconocimiento de Objetos
Similaridad de Patrones y Trabajos
en RP
1.4.1. Clasificacin
1.4.2. Regresin
1.4.3. Descripcin
Clases, Patrones y Muestras
RP Approaches
3

1.5.

Sistemas Expertos
2.1
2.2
2.3
2.4

Procesamiento de Lenguaje
Natural

3.1
3.2
3.3

1.4.1. Datos Clustering

1.4.2.
Clasificacin
Estadstica
1.4.3. Redes Neuronales
1.4.4. RP Estructural
Proyecto
1.5.1 Tareas de Proyecto
1.5.2 Tratamiento y Muestras
1.5.3 Software de RP
Introduccin a los Sistemas
Expertos
Representacin el Conocimiento
Mtodo de Inferencia
Aplicaciones Wucshell
Introduccin a los lenguajes
formales
Redes de Transicin aumentada
Aplicaciones
3.3.1 Recuperacin de
Informacin
3.3.2 Extraccin de Informacin
3.3.3 Generacin de gramticas

Visin
4.1.
4.2.
4.3.
4.4.
4.5.

Adquisicin de la imagen
Segmentacin de la imagen
Mejoramiento de la imagen
Mejoramiento de la Imagen
Deteccin de Contornos

5.1.
5.2.

Incertidumbre
Sistemas de Razonamiento
Probabilstica
5.1.1. Introduccin
5.1.2. Introduccin a Inferencia
Bayesiana
5.1.3. Teorema de Bayes
5.1.4. Teorema de Bayes Aplicado
Redes Bayesianas
5.1.1. Introduccin
5.1.2. Definicin
5.1.3.
Ilustracin con redes
bayesianas

Mtodos Bayesianos

5.3.

5.4.
5.5.
5.6.
6

Tcnicas de agrupamiento
6.1.
6.2.
6.3.
6.4.
6.5.

Implicaciones algoritmos con redes

bayesianas
Usos prcticos de las redes
bayesianas
Limitaciones de las redes
bayesianas
Introduccin
Tipos de Datos
Mtodos de Agrupamiento
Algoritmo k-medias
Ejemplos

Redes Neuronales
7.1.

7.2
7.3
7.4
7.5
7.6

Introduccin
7.1.1. Neurona Biolgica
7.1.2. Neurona Computacional
7.1.3. Algoritmos de Aprendizaje
7.1.4. Topologa
Perceptrn
Introduccin al Perceptn
Multicapa
Introduccin a la red SOM
Neurosolution
Aplicaciones

6.- APRENDIZAJES REQUERIDOS

Contenidos de Inteligencia Artificial I, Matemticas Discretas,
7.- SUGERENCIAS DIDCTICAS

1
Propiciar la bsqueda y seleccin de informacin sobre temas de
inteligencia humana y artificial.
5

Organizar exposicin de temas por equipo.

Elaborar un proyecto vinculado a problemas de juegos.
Propiciar debates sobre temas relacionados, con sesiones de
preguntas y respuestas.
Propiciar la resolucin en conjunto de problemas relacionados con la
materia.
Utilizar un software para el diseo y anlisis de los temas del curso.
Desarrollar un mapa conceptual sobre inteligencia artificial, donde se
establezcan los conceptos y sus relaciones.

8.- SUGERENCIAS DE EVALUACIN

Desarrollo de proyecto final (informe, presentacin y defensa del

proyecto).
Evaluacin de informes sobre tareas o trabajos de investigacin.
Evaluacin escrita.
Desempeo y participacin en el aula.

9.- UNIDADES DE APRENDIZAJE

Unidad 1: Introduccin al Reconocimiento de Patrones

Objetivo
Educacional
Comprender la teora
del Reconocimiento de
Patrones as como los
diversos enfoques que
se emplean

Actividades de Aprendizaje
Conocer la definicin de Reconocimiento de
Patrones
Identificar el concepto de Similaridad
Conocer las diferentes tareas y aplicaciones
del reconocimiento de patrones
Identificar los diferentes elementos que
integran el enfoque de Reconocimiento de
Patrones Sintctico Estructural.
Conocer diversas aplicaciones del
Reconocimiento de Patrones Sintctico
Estructurales.

Fuentes de
Informacin
19,20,21

Unidad 2: Sistemas Expertos

Objetivo
Educacional
Comprender la teora
de Sistemas Expertos y
conocer la manera de
implementarlos
utilizando Wucshell

Actividades de Aprendizaje
Identificar los diferentes elementos que
integran a un Sistema Experto.
Identificar las diferentes formas de
representacin de conocimiento.
Ejemplificar el proceso de inferencia en una
base de conocimientos.
Investigar otros usos que se le pude dar a la
teora de lenguajes libres de contexto.
Desarrollar ejemplos de aplicacin utilizando
Wucshell.
Investigar sobre otros shells para desarrollo de
sistemas expertos.

Fuentes de
Informacin
4,16,17,18

Unidad 3: Procesamiento de Lenguaje Natural

Objetivo
Educacional
Comprender la teora
de lenguajes de
contexto libre y su
representacin

Actividades de Aprendizaje

Fuentes de

Informacin
Identificar los diferentes tipos de lenguajes de 10,11,12,13,
acuerdo a la clasificacin de Chomsky.
14,15
Realizar ejercicios que permitan desarrollar la
habilidad para representar lenguajes libres de
contexto.
Utilizar un lenguaje de alto nivel para
representar lenguajes libres de contexto,
solamente como casos tipo.
Investigar otros usos que se le pude dar a la
teora de lenguajes libres de contexto.
Investigar nuevas tcnicas para la
representacin de lenguajes libres de contexto.

Unidad 4: Visin Artificial

Objetivo
Educacional
Conocer los
fundamentos de una
imagen digital as
como .los tipos de
mejoramiento de una
imagen digital tanto en
su dominio espacial
como en el de
frecuencia.

Actividades de Aprendizaje

Conocer los conceptos de imagen digital.

Conocer los Tipos de imgenes
Desarrollar los pasos para el
procesamiento de las imgenes digitales.
Elementos de la percepcin visual
Conocer las diferentes formas de adquirir
una imagen digital
Conocer las operaciones bsicas en las
imgenes
Ejemplos de un Histograma
Operaciones aritmtico lgicas
Conocer los diferentes Filtros espaciales
Conocer los filtros del dominio de
frecuencia
Realizar diferentes practicas en un
software libre

Fuentes de
Informacin
5,21,
22,23,
24,25,26

Unidad 5: Mtodos Bayesianos

Objetivo
Educacional
Comprender la teora
Probabilidades y los
Mtodos Bayesianos, y
se introducir a los
procesos aleatorios.

Actividades de Aprendizaje
Identificar la naturaleza, relevancia y
aplicabilidad de la teora de Redes Bayesianas
para temas con formas avanzadas de
computabilidad
Se examinar un cierto nmero de
aplicaciones usando redes Bayesianas.
Se revisarn las limitaciones de las Redes
Bayesianas para la interaccin humanocomputadora y el aprendizaje automatizado.

Fuentes de
Informacin
9

UNIDAD 6: Tcnicas de agrupamiento

Objetivo
Educacional
Comprender los
elementos bsicos y
algoritmos elementales
de agrupamiento

Actividades de Aprendizaje

Identificar los diferentes tipos de datos y

Fuentes de
Informacin
3,1

sus caractersticas.

Identificar los diferentes criterios de

agrupamiento (particin y jerrquicos)

Conocer la algoritmia del K-Medias

Realizar pruebas de escritorio del

algoritmo K-medias

Unidad 7: Redes Neuronales Artificiales

Objetivo
Educacional
El estudiante aprender
los conceptos bsicos
de las redes neuronales
artificiales ms usadas:
Perceptron, Perceptron
Multicapas y SOM

Actividades de Aprendizaje

Identificar la equivalencia de
comportamiento de las partes de la
neurona biolgica y la neurona
computacional.
Identificar los diferentes tipos y la utilidad
de las reglas de aprendizaje: supervisadas
y no supervisadas.
Con la ayuda de Neurosolutions construir
una red de cada uno de los siguientes tipos:
Perceptron, Perceptron Multicapas, y
SOM.
Aplicar las redes construidas a un
problema de toma de decisiones.

Fuentes de
Informacin
2, 22

10. FUENTES DE INFORMACIN

1.-

Pattern Recognition, Concepts, Methods and Applications J.P. Marques de

S Springer

2.-

Notas del curso de e-Learning Dr. Eduardo Gasca Alvarez

3.-

Finding Groups In Data. An Introduction to cluster Analysis Leonard Kaufman/

Peter J.Rousseuw Wiley Inter-s Science

4.-

Sistemas Expertos Principios y Programacin Giarratano Ruley

5.-

Tratamiento Digital de imgenes Rafael Gonzalez and Woods Prentice Hall

6.-

Inteligencia Artificial un enfoque moderno Stuart Russell & Peter Norving

Prentice Hall

7.-

The Pattern Recognition Basis in Artificial Intelligence R. Tveter

8.-

Pattern Recognition: Statistical, Structural and Neural Approaches Robert J.

Schalkoff John Wiley & Sons, Inc., 1992

9.-

An introduction to Bayesian Networks and the Contemporary Applications;

Daryle Niedermayer; Dic 1998; http://www.niedermayer.ca/papers/bayesian/

10.- Compiladores Principios, tcnicas y herramientas, Aho, Sethi, Ullman Addison

Wesley.
11.- Compiladores Conceptos Fundamentales, Teufel, Schmidt, Teufel, AddisonWesley Iberoamericana.
12.- Chomsky, Noam. Temas tericos de gramtica generativa. De. Siglo XXI. 5a
de. Mxico. 1990
13.- Hopcroft, J. & Ullman, J. Introduccin a la teora de autmatas, Lenguajes y
Computacin. Ed. CECSA. 1a. Ed. Mxico.1993
14.- Herbert Schildt. Artificial Intelligence Using C (Cap. 4 Lenguaje Natural). Ed.
Mc Graw Hill., 1987
15.- Kennedy, Ruby, L.; Solving Data Mining Problems through Pattern
Recognition; Prentice Hall, 1998.
16.- Fohmann, L. Knowledge Acquisition and Machine Learning. A. I. and Expert
Systems. Editor Stuart Savory. John Wiley & Sons.USA. 1988.
17.- Rich, E. & Knight, K. Inteligencia Artificial. McGraw Hill . 2a. ed. Espaa
1994.

10

18.- David W. Rolston. Principios de Inteligencia Artificial y Sistemas Expertos.

Editorial McGraw Hill.
19.- Escudero, L.F. Reconocimiento de Patrones. Ed. Paraninfo. Espaa. 1977
20.- Gonzlez, R. & Thomason, G. Syntactic Pattern Recognition. An introduction.
Addison Wesley Publishing Co. USA. 1978.
21.- Tou, Julius, T. Gonzalez, R; Pattern Recognition Principles; Addison Wesley,
1974
22.- The image processing Handbook ; John C. Russ, CRC press 1994 USA
23.- Digital Image processing; Kenneth R. Castleman, Prentice Hall 1996 USA
24.- Computer Vision and Image processing, Linda Shapro and Azriel Rarenteld
Academic Press, USA 1992.
25.- Introduction techniques for Computer vision, Gmanuele trucco Alessandro
Verri, Prentice may USA 1998
26.- Image Processing and Patter Recognition; Cornelious T. Leondes,Academic
Press (Vol 5 of neural networks).
27.- Manuales de uso de Neurosolution

11