Planificación de Inteligencia Computacional (2021)

Redes neuronales: perceptrón multicapa, redes con funciones de base radial, mapas auto-organizativos, redes de Hopfield. Introducción a los sistemas basados en conocimientos. Lógica borrosa: teoría de los conjuntos borrosos, memorias asociativas borrosas, sistemas de control borroso. Computación evolutiva: diseño de la solución de problemas mediante computación evolutiva, algoritmos genéticos, variantes de computación evolutiva. Aplicaciones.

Objetivos específicos

Que el alumno:

• obtenga conocimientos generales acerca del área de la inteligencia computacional y una idea de su magnitud y diversidad,
• conozca las arquitecturas neuronales más utilizadas,
• comprenda las características dinámicas de redes recurrentes,
• aprenda los algoritmos de entrenamiento,
• implemente distintas arquitecturas neuronales y algoritmos básicos de entrenamiento,
• adquiera conocimientos sobre modelos para representación e inferencia de conocimiento,
• aprenda y utilice la teoría de conjuntos borrosos,
• aprenda los métodos de computación evolutiva y el diseño de la solución de problemas mediante éstos,
• implemente los algoritmos básicos de computación evolutiva y los aplique a problemas sencillos,
• aprenda e implemente métodos de inteligencia de poblaciones,
• adquiera independencia en el diseño de la solución de problemas mediante las técnicas tratadas,
• adquiera destrezas para aplicar con criterio y visión práctica las metodologías estudiadas,
• conozca diversas aplicaciones directas de la inteligencia computacional.

Objetivos generales

Que el alumno:

• adquiera una nueva visión de la computación, desde la perspectiva de la inteligencia computacional,
• entienda los principios en que se basan muchas de las tecnologías con las que tiene un contacto permanente,
• incremente sus capacidades para el trabajo en equipo y la distribución de tareas y responsabilidades,
• incremente sus destrezas para la transmisión oral y escrita de conocimientos científicos y tecnológicos,
• desarrolle su capacidad de análisis aplicando diversas estrategias para resolución de problemas,
• incremente sus destrezas para aprender de forma independiente,
• realice trabajos experimentales que reflejen situaciones reales típicas,
• establezca contacto con publicaciones de nivel científico, pudiendo analizarlas, reproducirlas parcialmente y criticarlas,
• desarrolle su creatividad en la propuesta de nuevas técnicas o aplicaciones y mejoras de las ya conocidas,
• utilice correctamente la terminología técnica del área,
• aplique e incremente sus conocimientos de inglés técnico.

Además, entre otros objetivos de formación general, se espera que el alumno:

• valore la discusión abierta como una fuente de generación y difusión de conocimientos,
• valore los medios que la Universidad pone a su disposición y desarrolle sentimientos positivos hacia ella,
• se involucre más intensamente con la vida universitaria,
• conozca los valores y principios que sustentan a las instituciones académicas,
• se introduzca al pensamiento científico y tecnológico,
• se interese por continuar su formación mediante estudios de postgrado.

Programación, álgebra matricial y cálculo básico.

Desarrollo del cursado

• Clases de teoría: en estas clases se introducen los conceptos teóricos de cada unidad temática. La gran mayoría están grabadas en video y se encuentran disponibles online en el sistema de la facultad. Los videos de los temas que corresponden a cada semana deben estudiarse antes de las clases prácticas y de discusión. En todos los casos, estas introducciones deberán complementarse con las restantes actividades, las guías de estudio y la bibliografía recomendada. Este enfoque busca promover una participación más activa del alumno en su propia formación, aumentando su independencia y fortaleciendo sus capacidades para el autoaprendizaje.

• Clases de discusión: tienen como objetivo profundizar los temas desarrollados en las clases de teoría y trabajar sobre las dificultades e inquietudes conceptuales generadas a partir de las actividades prácticas. Se desarrollan con una modalidad de trabajo más flexible y participativa, de forma que los alumnos planteen abiertamente sus dudas y discutan guiados por el profesor. Las temáticas están relacionadas con los objetivos específicos y sus aplicaciones, pero también están orientadas a tratar muchos de los aspectos mencionados en los objetivos generales.

• Clases de práctica: la práctica de laboratorio consiste en la formulación de soluciones e implementación de diferentes técnicas de inteligencia computacional. En estas clases se explican las características básicas del trabajo a realizar, asociado al tema desarrollado previamente en la clase teórica. Además, se trabaja con cada grupo individualmente, se realizan las evaluaciones correspondientes y se brinda una realimentación para ayudarlos a relacionar y fijar los conceptos teóricos. Los alumnos reciben orientación y apoyo durante la clase pero deben desarrollar las actividades en forma autónoma.

• Consultas: se dispondrá de horarios semanales para evacuar todo tipo de dudas, tanto para cuestiones técnicas de la asignatura como administrativas del cursado. El día y la hora de cada clase de consulta serán acordados con los alumnos al comenzar el cursado.

Se recomienda a los alumnos prestar especial atención a los horarios de cursado y consultas, y asistir con puntualidad.

Los alumnos deben matricularse en la plataforma educativa e-fich, desde la cual podrán realizar consultas y recibir información sobre el cursado. Los videos de las clases grabadas pueden accederse desde la plataforma educativa e-fich, o alternativamente desde este enlace y en el canal de la asignatura.

S. Haykin, Neural Networks: A Comprehensive Foundation, 2nd Ed.
1.1-1.4, 1.6 (opcional: 1.5, 1.7-1.9)
2.1-2.5, 2.8-2.10 (opcional: 2.6, 2.7, 2.8, 2.11-2.16)
3.1, 3.3, 3.5, 3.8

J. Freeman, D. Skapura, Neural Networks: Algorithms, Applications, and Programming Techniques
1.1, 1.2 (opcional: 1.3)
2.2 (opcional: 2.1, 2.4, 2.5)

A. Jain, J. Mao, K. Mohiuddin, Artificial Neural Networks: A Tutorial
pp 31-39 (backpropagation no)

R. Lippmann, An Introduction to Computing with Neural Nets
pp 4-7 (Hopfield no)
pp 13, 14

B. Widrow, M.A. Lehr, 30 years of adaptive neural networks: perceptron, Madaline, and backpropagation
pp 1415-1420
pp 1423-1432

R. Duda, P. Hart, D. Stork, Pattern Classification, Second Edition, Wiley-Interscience, 2000
1, 2.1-2.6, 3.1, 3.2

S. Haykin, Neural Networks: A Comprehensive Foundation
4.1-4.6 (opcional: 6.7)
4.12, 4.14 (opcional: 4.16)

J. Freeman, D. Skapura, Neural Networks: Algorithms, Applications, and Programming Techniques
3.1-3.3

R. Lippmann, An Introduction to Computing with Neural Nets
pp 16-18

B. Widrow, M.A. Lehr, 30 years of adaptive neural networks: perceptron, Madaline, and backpropagation
pp 1420-1421
pp 1432-1435

C. Bishop, Neural Networks for Pattern Recognition
5.1-5.3, 5.7-5.10

S. Haykin, Neural Networks: A Comprehensive Foundation
5.1, 5.7, 5.8, 5.11

S. Haykin, Neural Networks: A Comprehensive Foundation, 2nd Ed.
9.1-9.4 (opcional: 9.6)
9.7

J. Freeman, D. Skapura, Neural Networks: Algorithms, Applications, and Programming Techniques
7.1 (opcional: 7.3)

T. Kohonen, Self-organizing maps, 3rd. Ed.
3.1, 3.2, 3.7-3.9, 3.13 (opcional: 3.4, 3.14)
1.5.1, 6.1-6.3 (opcional: 6.9)

R. Lippmann, An Introduction to Computing with Neural Nets
pp 19-21

S. Haykin, Neural Networks: A Comprehensive Foundation, 2nd Ed.
13.3, 13.4
14.7 (pp 687-696) (opcional: 14.8)
15.1, 15.2, 15.6, 15.7

D. R. hush, B. G. Horne, Progress in Supervised Neural Networks
pp 28-34 (sin versiones continuas)

R. Lippmann, An Introduction to Computing with Neural Nets
pp 8-10

B. Kosko, Neural networks and fuzzy systems

(opcional: 1)

7

Fuzzy expert systems and Fuzzy reasoning, Willam Siler y James Buckley

(opcionales 3, 4 y 5)

Fuzzy logic systems for engineering: a tutorial, Jerry Mendel, Proceedings of the IEEE , vol 83 no 3

(opcional)

Soft computing and fuzzy logic, Lofti Zadeh, IEEE Software, vol 11, no 6, pp 48-56

(opcional)

B. Kosko, Neural networks and fuzzy systems

8

D. E. Goldberg, Genetic Algorithms in Search, Optimization & Machine Learning

1-4

J. R. Koza, Genetic Programming

5, 6

Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs,

(opcionales 1-5, 9)

M. Mitchell, An Introduction to Genetic Algorithms,

(opcionales 1, 2)

T. Back, D. B. Fogel, Z. Michalewicz, Evolutionary Computation 1: Basic Algorithms and Operators,

(opcionales 1-4, 8-10)

R. L. Haupt, S. E. Haupt, Practical Genetic Algorithms,

(opcionales 1, 2)

T. Back, U. Hammel, H-F. Schewfel, Evolutionary Computation: Comments on History and Current State

(opcional)

Apunte de la Catedra (material con introduccion teorica y ejercicios)

D. E. Goldberg, Genetic Algorithms in Search, Optimization & Machine Learning

1-4

J. R. Koza, Genetic Programming

5, 6

Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs,

(opcionales 1-5, 9)

M. Mitchell, An Introduction to Genetic Algorithms,

(opcionales 1, 2)

T. Back, D. B. Fogel, Z. Michalewicz, Evolutionary Computation 1: Basic Algorithms and Operators,

(opcionales 1-4, 8-10)

R. L. Haupt, S. E. Haupt, Practical Genetic Algorithms,

(opcionales 1, 2)

T. Back, U. Hammel, H-F. Schewfel, Evolutionary Computation: Comments on History and Current State

(opcional)

A. P. Engelbrecht, Computational Intelligence: An Introduction, 2nd Ed.

16.1, 16.2, 16.4 (opcional: 16.7)

17.1.1-17.1.4, 17.1.12 (opcional: 17.5)

 M. Clerc, Particle swarm optimization,

(opcional 3)

M. Dorigo, T. Stutzle, Ant Colony Optimization,

(opcional 2)

J. Kennedy, R.C. Eberhart, Swarm intelligence,

(opcionales 1,7)

E. Bonabeau, M. Dorigo, G. Theraulaz, Swarm intelligence: from natural to artificial intelligence,

(opcionalles 1,2)

A. P. Engelbrecht, Computational Intelligence: An Introduction, 2nd Ed.

16.1, 16.2, 16.4 (opcional: 16.7)

17.1.1-17.1.4, 17.1.12 (opcional: 17.5)

 M. Clerc, Particle swarm optimization,

(opcional 3)

M. Dorigo, T. Stutzle, Ant Colony Optimization,

(opcional 2)

J. Kennedy, R.C. Eberhart, Swarm intelligence,

(opcionales 1,7)

E. Bonabeau, M. Dorigo, G. Theraulaz, Swarm intelligence: from natural to artificial intelligence,

(opcionalles 1,2)

En todas las clases que figuran como "Teoría" en este formulario se incluyen también las Clases de discusión, tal como se describió en la Sección Metodología de Enseñanza.

Previo a cada clase deben estudiarse los videos de los temas correspondientes. De otra forma no se prodrán realizar las actividades de discusión y profundización de los temas, ni niguno de los trabajos prácticos.

En cada clase de práctica se incluye la formación experimental de laboratorio, resolución de ejercicios y problemas, y proyectos de ingeniería.

En esta clase participa como Profesor Invitado el Dr. César Martínez.

En esta actividad participan todos los docentes, cada cual atendiendo a los grupos de los que es tutor en el trabajo final.

En esta actividad participan todos los docentes, cada cual atendiendo a los grupos de los que es tutor en el trabajo final.

En esta actividad participan todos los docentes, cada cual atendiendo a los grupos de los que es tutor en el trabajo final.

En esta actividad participan todos los docentes, cada cual atendiendo a los grupos de los que es tutor en el trabajo final.

En esta actividad participan todos los docentes, cada cual atendiendo a los grupos de los que es tutor en el trabajo final.

En esta actividad participan todos los docentes, cada cual atendiendo a los grupos de los que es tutor en el trabajo final.

La asistencia es obligatoria durante toda esta clase, es decir, no solo la presentación del trabajo propio sino presenciar y participar de las interacciones en todas las demás presentaciones.

La asistencia es obligatoria durante toda esta clase.

1. Evaluación de práctica: se realiza dentro de las horas previstas para la actividad práctica y tiene por objetivo evaluar tanto los avances en la realización de trabajos prácticos con la incorporación de los conocimientos teóricos básicos relacionados. Esta instancia de evaluación es una de las más importantes del cursado ya que brinda la oportunidad de evaluar de cerca la evolución y sobre todo poder ajustar a tiempo los procesos de enseñanza y aprendizaje de acuerdo a las necesidades particulares de cada grupo de trabajo o alumno, recomendando lecturas adicionales, sugiriendo ampliaciones de algún ejercicio práctico, explicando en detalle algún tema en particular, etc. La evaluación se extiende entre 15 a 30 minutos.

La evaluación de práctica será oral y grupal: defensa del trabajo práctico del tema correspondiente, mostrando todo el código fuente y todos los ejercicios resueltos. Durante esta defensa se evalúan tanto los conocimientos prácticos como los teóricos. Si bien la evaluación es grupal, cada integrante del grupo debe estar en condiciones de responder correctamente a las preguntas. Dependiendo de la cantidad de grupos, en esta instancia de evaluación/seguimiento suelen participar todos los integrantes de la cátedra.

Los grupos de trabajo deberán estar conformados por 2 o 3 miembros. No se aceptarán trabajos individuales. 

La codificación de todos los algoritmos desarrollados, sin la utilización de programas, bibliotecas o funciones previamente desarrolladas por terceros, es una importante característica del enfoque pedagógico que damos a la asignatura. Consideramos que el entendimiento de todos los algoritmos clave se completa al programarlos desde cero.

Vale aclarar que el aprendizaje de una forma de implementación particular, lenguaje o entorno de programación no es parte de los objetivos de la asignatura. Por lo tanto, los aspectos técnicos de la compilación y utilización de lenguajes y entornos de programación quedan bajo la responsabilidad de cada grupo de trabajo.

Al comenzar la clase en la que se debe entregar cada trabajo práctico, todos los programas deben funcionar correctamente y cada alumno debe ser capaz de explicar y justificar cada paso de la solución presentada.

2. Evaluación parcial: se proveen dos exámenes parciales, involucrando aproximadamente la mitad de los temas del programa en cada uno (según se detalla en el cronograma). Estas evaluaciones tienen especial énfasis en los aspectos teóricos de cada tema.

3. Trabajo creativo: se debe realizar en grupos de 2 o 3 personas. Este trabajo consiste en resolver un problema que deben proponer los alumnos. Cada grupo debe proponer problemas prácticos a resolver y un tutor asignado de entre los miembros de la Cátedra los guiará para seleccionar y delimitar una de las propuestas. Este mismo tutor los guía durante todo el desarrollo del trabajo creativo. En base a una búsqueda bibliográfica de antecedentes relacionados se debe proponer e implementar una solución válida, aplicando las herramientas computacionales que se proveen durante el cursado. No se aceptarán trabajos individuales ni problemas que no hayan sido seleccionados junto al tutor asignado.

Para facilitar el aprovechamiento de esta instancia se deberán cumplimentar 4 presentaciones en total (3 parciales y una final) y la calificación se definirá considerando todas las instancias de evaluación.

1ra presentación: cada grupo llevará al menos 3 propuestas, de las cuales con ayuda de los tutores asignados se eligirá una. Las propuestas se entregan por escrito (título y 200 palabras por cada idea).

2da presentación: entrega de una búsqueda bibliográfica y propuesta de solución (ambas también por escrito). La búsqueda bibliográfica deberá ser de una página, con las referencias en el formato correspondiente y la propuesta de solución en aproximadamente 400 palabras. También se deberán adjuntar los artículos de las referencias, para poder analizarlos juntos con el tutor.

3ra presentación: implementación (código fuente) con todo el problema resuelto y funcionando correctamente al momento de ser entregado. Se deberá realizar una defensa oral de todo lo entregado.

La presentación final consiste en un informe escrito y una exposición oral de 15 minutos, con defensa de 5 minutos. Se puede descargar una guía de estilo y estructura para preparar el informe final desde la sección Guías de Actividades. Otros detalles del informe y la presentación se especificarán durante el cursado.

4. Competencia: la participación en la competencia es individual y opcional. Los puntos adicionales que se obtengan están por fuera de los 100 puntos de las restantes actividades. Es decir, quién decida no participar en la competencia igualmente puede obtener el máximo de 100 puntos mediante las otras instancias de evaluación.

Puntuación para regularizar

Para regularizar la asignatura se consideran todas las instancias de evaluación durante el cursado, con la siguiente distribución relativa de puntos:

• Evaluaciones de práctica: 40 puntos (distribuidos por tema).

• Evaluaciones parciales: 30 puntos (distribuidos por parcial).

• Trabajo creativo: 30 puntos

• Competencia: 10 puntos adicionales para el 1er puesto, 6 puntos adicionales para el 2do puesto y 3 puntos adicionales para el 3er puesto.

Para regularizar la asignatura (lo que implica la promoción de práctica) se requieren 60 puntos o más en la acumulación de todas las evaluaciones durante el cursado.

Aclaraciones importantes:

• Para regularizar no es válida la acumulación de puntos si en alguna de las instancias de evaluación se obtuviera menos del 40% de la puntuación.
• Los trabajos creativos deberán aprobarse con al menos 60% de la puntuación.

Exámenes de recuperación

Se proveen dos instancias de recuperación de exámenes:

• Práctica: se podrán recuperar dos evaluaciones en caso de no alcanzar el 40% en alguna de ellas. Se podrá utilizar un examen de recuperación para las evaluaciones prácticas de redes neuronales y el otro para la práctica de lógica borrosa o la de inteligencia colectiva.

• Parciales: se podrá recuperar un examen a elección para aumentar la calificación en las evaluaciones parciales.

Los exámenes de recuperación serán individuales aunque la modalidad (escrito/oral) será dispuesta por el responsable de la asignatura independientemente de aquella con que se hubiese evaluado originalmente el tema. La calificación final es el máximo entre el examen original y el examen de recuperación.

Deshonestidad académica

En el caso de que un alumno incurra en cualquier acto de deshonestidad académica quedará automáticamente LIBRE sin importar su condición previa en la asignatura. Además se elevará un pedido a la Secretaría Académica para que el alumno sea sancionado de acuerdo al caso. Se considerarán actos de deshonestidad académica: copiar exámenes (de cualquier tipo y en cualquier forma), copiar informes, copiar programas o ideas originales para la resolución de problemas, etc. Esto no sólo se refiere al cursado actual sino que también a trabajos de cursados anteriores u otras fuentes. Todo trabajo presentado por el alumno se considera que ha sido el resultado de su proceso de aprendizaje y fruto de su propio esfuerzo. Como regla general, en un caso de copia a otros compañeros son culpables ambas partes, por lo que se sugiere a los alumnos cuidar sus informes, códigos fuente o cualquier otro objeto de una evaluación. Se considera también un acto deshonesto utilizar material (texto, figuras, etc.) de otras fuentes (Internet, libros, revistas, etc.) sin realizar la cita correspondiente. No es aceptable la copia textual en ningún caso, desde ninguna fuente (libros, artículos, páginas web, etc.). Sólo se puede transcribir una frase textual, entre comillas y en itálica, y por supuesto citando la fuente. Como es natural, no es posible enumerar todos los casos de deshonestidad académica por lo que la lista anterior no es exhaustiva y otros casos serán analizados oportunamente. En el caso de tener cualquier duda al respecto, se debe consultar al responsable de la asignatura antes de hacerlo.

Con las mismas consideraciones detalladas en los Requerimientos para Regularizar, para el caso de la Promoción (completa) se requieren 70 puntos o más en las evaluaciones durante el cursado. En este caso no es válida la acumulación de puntos si en alguna de las instancias de evaluación se obtuviera menos del 60% de la puntuación.

5. Examen de promoción: los alumnos que superen el 60% en cada examen parcial podrán acceder a una evaluación para la promoción directa de la asignatura. Ésta consiste en un examen oral (individual, virtual y sincrónico), a realizarse inmediatamente a continuación de cada examen parcial. Se realizarán al menos dos preguntas de teoría y en función de las respuestas se definirá si el examen parcial es válido para la promoción directa.

GTP 1 primera parte.

GTP 1 segunda parte.

Unidades I a III.

GTP 2 completa.

Entrega de 3 propuestas para trabajos finales y asignación de tutores por grupo.

Entrega de búsqueda bibliográfica y propuesta de solución.

Unidades IV a VII.

Entrega y defensa del código fuente, con todo funcionando.

GTP 4 completa.

GTP 1a, 1b, 2 o 4.

Parcial 1 o 2.

Entrega de informes y presentación oral.