Los objetivos del mismo, son 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; adquiera independencia en el diseño de la solución de problemas mediante las técnicas tratadas; adquiera destrezas para aplicar con criterio y visión práctica los metodologías estudiadas; conozca diversas aplicaciones directas de la inteligencia computacional.
El curso, que se desarrollará de lunes a viernes, de 17 a 21, será teórico-práctico, se desarrollarán clases expositivas en las que se introducirán los conceptos teóricos de cada unidad temática, las que deberán complementarse con las guías de estudio y la bibliografía recomendada para cada tema. La práctica de laboratorio consiste en la formulación de soluciones e implementación de las diferentes técnicas de inteligencia computacional. Se explicarán las características básicas del trabajo a realizar, asociado al tema desarrollado previamente en la clase teórica. Los trabajos prácticos son intensivos por lo que los alumnos recibirán una orientación durante la clase pero deberán desarrollar también actividades en forma autónoma.
Con una carga horaria de treinta horas cátedra, un cupo máximo de veinte participantes, la inscripción para los docentes de la Facultad de Tecnología y Ciencias Aplicadas es de $150 y para profesionales externos $450 y para el correspondiente certificados se requerirá el 80% de asistencia.
El programa contempla Unidad I: Introducción (Breve revisión histórica a la inteligencia computacional. Áreas del conocimiento involucradas y su relación como parte de la inteligencia artificial. El cerebro humano y las limitaciones del cálculo computacional. El impacto y el amplio espectro de aplicaciones de la inteligencia computacional. Introducción conceptual a algunas de las técnicas fundamentales de la inteligencia computacional); Unidad II: Redes Neuronales 1(Bases estadísticas del reconocimiento de patrones: etapas, decisión bayesiana, funciones discriminantes. Aprendizaje, espacio de soluciones, mínimos locales y globales, Capacidad de generalización y técnicas de validación cruzada. La inspiración biológica en redes neuronales: fisiología neuronal básica, redes de neuronas biológicas y escalas de organización estructural del cerebro. Modelos de neurona: la sinapsis, funciones de activación. Perceptrón simple: hiperplanos para la separación de clases, entrenamiento y limitaciones. Generalidades: características de las redes neuronales, clasificación de las arquitecturas neuronales, clasificación de los procesos de aprendizaje).
Por su parte, la Unidad III: Redes neuronales 2 (Perceptrón multicapa: formulación matemática del algoritmo de retropropagación, velocidad de aprendizaje y término de momento, inicialización y criterios de finalización, definición de la topología y los parámetros de entrenamiento. Redes neuronales con funciones de base radial: arquitectura, fronteras de decisión, algoritmos de entrenamiento. Mapas auto-organizativos: arquitecturas, algoritmo de entrenamiento, mapas topológicos, cuantización vectorial con aprendizaje, comparación con otros métodos de agrupamiento. Redes neuronales dinámicas: redes de Hopfield, retropropagación a través del tiempo, redes neuronales con retardos en el tiempo); Unidad IV: Lógica Borrosa 1 (Lógica proposicional: sintaxis, semántica e inferencia. Lógica de primer orden: sintaxis, semántica, cuantificadores y conectores. Inferencia en la lógica de primer orden. Sistemas de producción con encadenamiento hacia delante. La borrosidad como multivalencia: incerteza versus aleatoriedad, función de membresía. Comparación entre representaciones del conocimiento basadas en reglas. Geometría de los conjuntos borrosos. Definición e interpretación gráfica de los operadores borrosos. Caracterización de conjuntos borrosos. Entropía borrosa: definición, teorema de la entropía borrosa, teorema del subconjunto, teorema entropía-subconjunto).
Por último, la Unidad V: Lógica Borrosa 2 (Memorias asociativas borrosas como mapeos, reglas borrosas simples y compuestas, ejemplos. Codificación de reglas borrosas: discretización, memorias asociativas borrosas hebbianas, codificaciones por correlación- mínimo y correlación-producto, bidireccionalidad. Composición de reglas.Métodos de máximo y centroide borroso. Inferencia de Takagi-Sugeno-Kang. Conjuntos de membresía continuos, representación y composición de varios antecedentes por consecuente).
Las instancias de evaluación, que será individual, estarán referidas a la teoría y la práctica. Para la aprobación del curso se considerarán todas las instancias de evaluación y se hará un promedio, el cual debe ser mayor o igual a setenta puntos.
El profesor responsable del curso, Dr. Ing. Carlos Roberto Sánchez Reinoso, es Ingeniero en Electrónica-Universidad Nacional de Catamarca (UNCa.). Doctor en Ciencias de la Ingeniería-Mención Señales, Sistemas e Inteligencia Artificial-Universidad Nacional del Litoral. Postdoctoradoo-Instituto de Energía Eléctrica (IEE), Universidad Nacional de San Juan. Profesor Adjunto de la carrera de Ingeniería Electrónica de la Universidad Nacional de Catamarca.
Por mayores informes e inscripciones, dirigirse a la Secretaría de Posgrado de la Facultad de Tecnología y Ciencias Aplicadas de la UNCa., Maximio Victoria 55, C.P. 4700 Catamarca, Tel/Fax: 03834435112/4429666 Interno 128 [email protected] http://www.tecno.unca.edu.ar
