Inteligencia Artificial

HRS./SEM.: 4

Objetivo: Adquirir las técnicas básicas de solución de problemas mal condicionados, con dominios no formales e información parcial.


    1. Introducción. Definición de la IA. Inteligencia. Herramientas. Construcción. Campo de acción de la IA. Los subcampos. El papel de los ejemplos en la IA. Cómo funciona la IA.

    2. Panorama de la IA. Acción inteligente. Búsqueda. Búsqueda ciega. Búsqueda heurística. Otras cuestiones. Ejemplos de búsquedas. Representación del conocimiento. Ejemplos. Ejemplos de aplicaciones.

    3. Búsqueda. Búsqueda a lo ancho. Búsqueda a profundidad. Profundización iterativa. Ampliación iterativa. Búsquedas en gráficas. Listas abiertas y cerradas. Retroceso (backtracking) dinámico.

    4. Búsquedas Heurísticas. Búsquedas como maximización de funciones. Alpinismo de colinas. Endurecimiento simulado. A*. Admisibilidad. Ejemplos. Extensiones e IDA*.

    5. Búsquedas con adversarios. Suposiciones. Minimax. Quintaescencia y extensiones singulares. El efecto del horizonte. Búsqueda (-(.

    6. Introducción a la representación del conocimiento. Analogía de programación. Sintaxis. Semántica. Robustez y completez. La demostración de teoremas.

    7. La lógica de Predicados. IA. Inferencia utilizando modus ponens. Bases de Datos de Horn. La regla de resolución. Encadenamiento hacia atrás utilizando la resolución. Forma normal.

    8. Lógica de Primer Orden. Bases de datos con cuantificadores. Unificación. Consultas de Skolem. Encontrando el Unificador Más General. Modus Ponens y las Bases de Datos de Horn. Resolución y Forma Normal.

    9. La Lógica y el control del razonamiento. Estrategias de resolución. Control en tiempo de compilación y en tiempo de ejecución. El papel del metarazonamiento en la IA. Control de la búsqueda durante ejecución. Mirar hacia adelante. La heurística de "lo más barato primero". Retroceso y brinco hacia atrás dirigido por las dependencias. Control declarativo de la búsqueda.

    10. Conservación de la verdad en base a suposiciones. Definiciones. Aplicaciones. Problemas de síntesis: Planeación y diseño. Diagnóstico. Actualización de las bases de datos. Implementación.

    11. Razonamiento monotónico. Ejemplos: Jerarquías en la herencia; el problema de los marcos. diagnóstico. Definición. Extensiones. Extensiones múltiples. Problemas computacionales. Observaciones finales.

    12. Probabilidad. MYCIN y los factores de certidumbre. La Regla de Bayes y los Axiomas de la Probabilidad. Diagramas de influencia. Argumentos a favor y en contra de la probabilidad en IA.

    13. La explotación del conocimiento. Ejemplos introductorios: Marcos; Redes semánticas. Extensiones: Instancias múltiples; Predicados no unitarios. Inferencia en sistemas de marcos monotónicos. Inferencia en sistemas de marcos no-monotónicos.

    14. Sistemas de Planeación en IA. Planeadores de propósitos generales y particulares. Razonamiento respecto a la acción. Descripciones de acción. Métodos no declarativos. Métodos monotónicos. Métodos no-monotónicos. El papel de las búsquedas en la planeación. Planeación jerárquica. Planeación no lineal y ordenamiento de las submetas. Interacción de las submetas y la Anomalía de Sussman. Implementación de un planeador.

    15. Aprendizaje. Aprendizaje por descubrimiento. Aprendizaje inductivo. Aprendizaje por ajuste de parámetros y conceptos (PAC). Espacios de versiones. Redes neuronales. Analogías por deducción de imagen (ID3). Aprendizaje basado en explicaciones.

    16. Visión. Digitalización. Procesamiento de bajo nivel. Remoción del ruido. Detección de características. Segmentación y la Transformada de Hough. Recuperación de información tridimensional. El algoritmo de Waltz. El esquema de 21/2-Dimensiones. Visión activa. Reconocimiento de objetos y escenas.

    17. Lenguaje Natural. Procesamiento de señales. Sintaxis y análisis gramatical. Semántica y significado. Pragmática. Generación de lenguaje natural.

    18. Sistemas Expertos. Ejemplos e historia. Ventajas de los sistemas expertos. CYC y otros proyectos con bases de conocimientos muy grandes (VLKB). La IA como una disciplina experimental.

Bibliografía.
[1]. Ginsberg, M., Essentials of Artificial Intelligence, Morgan Kaufmann Publishers Inc., 1993.

[2]. Rich, E.; Knight, K., Artificial Intelligence, Second Edition, McGraw Hill Book Company, 1991.

[3]. Bielawsky, L.; Lewand, R., Intelligent Systems Design; Integrating Expert Systems, Hypermedia, and Database Technologies, John Wiley & Sons, Inc., 1991

[4]. Bowen, K., ProLog and Expert Systems Programming, McGraw-Hill, 1991

[5]. Chang, S.-K., Editor, Visual Languages And Visual Programming, Plenum Press, 1990

[6]. Garcia, O. N.; Chien, Y.-T., Editores, Knowledge-Based Systems, Fundamentals and Tools, IEEE Computer Society Press, 1991

[7]. Iyengar, S.; Elfes, A.; Editores, Autonomous Mobile Robots: Perception, Mapping, and Navigation, Volumes 1 and 2, IEEE Computer Society Press, 1991

[8]. Jackson, P., Introduction To Expert Systems, Second Edition, Addison-Wesley Publishing Company, 1990. [9]. Sangal, R., Programming Paradigms in Lisp, McGraw-Hill, 1991

[10]. Schalkoff, R., Artificial Intelligence, McGraw-Hill, 1990