Inteligencia Artificial

Inteligencia Artificial

Objetivo:

Los trabajos desarrollados en Inteligencia Artificial (IA) versan sobre la ciencia del conocimiento y las máquinas inteligentes. La primera modela y desarrolla estructuras que permiten explicar los mecanismos utilizados por el ser humano para resolver problemas. En cambio, las máquinas inteligentes son sistemas que ejecutan funciones similares a las desarrolladas por un especialista. Estas últimas constituyen las ramas de aplicación de la IA: Resolución de problemas, Sistemas Expertos, Procesamiento de Lenguaje Natural, Aprendizaje automático, Demostración automática de teoremas, Visión, Robótica, etc. Este curso se orienta principalmente a este último enfoque: las aplicaciones de la IA

Contenido:

  1. Representación del Conocimiento y mecanismo de inferencia en: Lógica simbólica: Cálculo proposicional
    • Redes semánticas
    • Reglas de producción
    • Objetos estructurados
  2. Resolución de problemas
    • Métodos clásicos en resolución. Descripción de estados y operadores. Procesos de búsqueda en grafos
    • Métodos de propagación y de enumeración.
      • Métodos de resolución por enumeración.
      • Método del gradiente (escalada).
      • Programación dinámica.
      • Coloración optimal.
    • Heurísticas admisibles. Funciones de evaluación. Algoritmos de búsqueda óptima
  3. Deducción automática empleando Cálculo Proposicional
    • Algoritmo de unificación de acuerdo con la teoría de la demostración
    • Encadenamiento hacia adelante y unificación
    • Principio de resolución
    • Ejemplos de aplicaciones
  4. Sistemas Expertos
    • Diferentes modelos de razonamiento
      • Arquitectura de sistemas expertos
      • Motores de inferencia Cero
      • Motores de inferencia con variable
    • Razonamiento aproximado
      • Origen de la incertidumbre
      • Tratamiento de la incertidumbre
      • Ejemplos de SE
  5. Aprendizaje automático
    • Taxonomía del aprendizaje
    • Aprendizaje Inductivo de conceptos
    • Ejemplos de sistemas de aprendizaje
  6. Procesamiento de lenguaje natural escrito
    • Diversas técnicas de análisis sintáctico y semántico. ATN, RTN. Descriptores funcionales
    • Ejemplos de sistemas de comprensión de LN

Bibliografía:

  • Stuart Russell y Peter Norvig. Artificial Intelligence: A Modern Approach, 2nd Edition. Prentice Hall. 2003. ISBN: 0137903952.
  • Bolc, Leonard, Natural language parsing systems, 1987
  • Brooke, Deborha L., Natural language processor as a universal front end to expert systems, 1983.
  • C.L. Chang, R. Lee. Symbolic Logic and Mechanical Theorem Proving. Academic Press, 1973.
  • Charniak, Eugene, Introduction to artificial intelligence, 1985
  • Charniak, Eugene, Artificial intelligence programming, 1980
  • Clancey, William J. de. Artificial intelligence and learning environments,
  • Farreny, "Les Systèmes Experts: Principes et Examples". Cepadues, eds., 1985
  • N. J. Nilson, Principios de Inteligencia Artificial. Díaz de Santos, 1987.
  • P.H. Winston. Artificial Intelligence (Second Edition). Addison Wesley, Iberoamericana, eds., 1992
  • Thayse, André, From natural language processing to logic for expert systems : a logic based approach to artificial intelligence, 1991.