Professional Documents
Culture Documents
2016-2
1. DATOS GENERALES
Facultad:
Carrera:
Coordinador:
Requisitos:
Nmero de crditos:
Nmero de horas:
Horas de
evaluacin
2
Horas trabajo
autnomo
reflexivo
4
Total
48
2. FUNDAMENTACIN
El presente curso permitir al estudiante comprender y desarrollar algoritmos para el
reconocimiento de patrones, basado en la teora de las redes neuronales artificiales.
Asimismo, aprende el uso de una teora alternativa de control de procesos a travs de los
conceptos de lgica difusa.
3. SUMILLA
El curso comprende una introduccin a la inteligencia artificial, lgica difusa, algoritmos
genticos y redes neuronales. A su vez, los fundamentos e implementacin de redes
neuronales artificiales supervisadas y no supervisadas, tales como Perceptron, Perceptron
Multi Capa, Auto-organizativa y Hopfield, para su utilizacin en control de calidad y visin
robtica. Asimismo, los fundamentos y caractersticas de la lgica difusa y su aplicacin
para el control de procesos industriales.
4. LOGROS DE APRENDIZAJE
El estudiante conoce diversas topologas en redes neuronales, para su aplicacin en el
reconocimiento de patrones.
El estudiante conoce un modelo de lgica difusa para la solucin de problemas de
ingeniera relacionados al rea de control y automatizacin.
5. CONTENIDOS
Introduccin al Curso: Redes neuronales, lgica difusa y algoritmos
genticos.
Fundamentos biolgicos de neurona, inspiracin biolgica para las
redes neuronales, procesamiento neuronal biolgico y artificial.
Redes neuronales: conceptos, caractersticas, topologas.
Red Perceptron. Caractersticas y clasificacin de patrones.
Red Perceptron. Restricciones. Ejemplos y aplicaciones reales.
Fundamentos de Red Lineal.
1
Semana 01
Semana 02
Semana 03
Semana 04
Semana 05
Semana 06
Semana 07
Semana 08
Semana 09
Semana 10
Semana 11
Semana 12
Semana 13
Semana 14
6. METODOLOGA
El curso se realiza desde el enfoque terico y prctico. El enfoque terico comprende
actividades individuales (exposicin, explicacin y solucin de problemas), promoviendo la
participacin activa de los estudiantes a travs del dilogo permanente, a fin de consolidar
el aprendizaje de los temas.
Asimismo se determinar trabajos de investigacin que corresponden al trabajo autnomo
reflexivo del alumno.
El enfoque prctico se desarrolla por medio de experiencias en el laboratorio de cmputo,
con la ayuda de un software de simulacin que permiten realizar la demostracin de los
temas tratados.
7. SISTEMA DE EVALUACIN
El promedio final del curso ser
PC1, PC2 y PC3 son Prcticas Calificadas Individuales
0.1PC1 + 0.1PC2 + 0.2PC3 + 0.2PL PL es Promedio de Laboratorios Calificados
([LC1 + LC2 + LC3] / 3)
+ 0.4EF
EF es Examen Final
Nota:
8. FUENTES DE INFORMACIN
Bibliografa base:
BONIFACIO, MARTN DEL BRIO:
Redes Neuronales y Sistemas Borrosos.
Edicin 2010
DEMUTH, HOWARD; HAGAN MARTIN AND BEALE: Neural Network
TOOLBOX.2009
Bibliografa complementaria:
PASSINO KEVIN M. YURKOVICH STEPHEN. Fuzzy Control. Edicin 2010
HAYKIN, SIMON. Neural Networks. Edicin 2009
9. CRONOGRAMA DE ACTIVIDADES
Semana
Contenidos o temas
Semana 1
Semana 2
Semana 3
Semana 4
Semana 5
Actividad
El alumno entiende de
la importancia de la
Introduccin al curso: redes neuronales, lgica
Inteligencia Artificial. El
difusa y algoritmos genticos.
alumno elabora un
Trabajo de Investigacin 1: Investigar sobre los
trabajo de investigacin
software de versin libres y con licencia que
que corresponde al
soportan entrenamientos para redes
trabajo autnomo 1,
neuronales artificiales.
ser presentado en la
semana 11.
El alumno entiende de
los fundamentos de las
Fundamentos
biolgicos
de
neurona, redes neuronales
inspiracin biolgica para las redes neuronales. artificiales y su
Procesamiento neuronal biolgico y artificial.
comparacin con el
modelo biolgico.
Prueba de entrada
Redes neuronales: conceptos, caractersticas,
El alumno entiende de
topologas. Tipos de entrenamiento, funciones
las caractersticas de las
de
transferencia.
Aplicaciones
de
redes neuronales
reconocimiento de patrones y control de
artificiales
calidad.
El alumno entiende la
Red Perceptrn. Caractersticas, topologa y
complejidad y desarrolla
funcin de transferencia. Algoritmo de
algoritmos de la red
aprendizaje, clasificacin con 01 y 02 neuronas.
Perceptrn
El estudiante entiende
las limitaciones de la
red Perceptrn, y los
Red Perceptrn. Clasificacin con 03 o ms
fundamentos de la Red
neuronas y representacin del Hiper-espacio.
Lineal.
Limitaciones de Perceptron. Ejemplo: funcin
Prueba de entrada:
XOR. Ejercicios de aplicacin.
4puntos
Prctica Calificada 1:16
puntos
3
Semana 6
Semana 7
Semana 8
Semana 9
Semana 10
Semana 11
El alumno analiza de la
red Perceptrn
multicapa
Laboratorio Calificado 1
El alumno entiende de
las redes
autoorganizadas y de su
aplicacin
Prctica Calificada 2.
El alumno entiende de
las redes
Redes auto-organizadas: ejercicios de aplicacin
autoorganizadas y sus
como compresor de imgenes, clustering de
aplicaciones.
informacin.
Laboratorio Calificado 2
Redes
neuronales
Radial Basic: RBF.
Arquitectura, algoritmo de aprendizaje, El alumno analiza la red
ventajas, desventajas. Aplicaciones como neuronal basic
aproximador de funciones. Comparacin con la
red MLP.
El alumno entiende de
la lgica difusa.
Lgica difusa: introduccin, conjuntos difusos, Presentacin del
variables lingsticas y operaciones entre grados trabajo autnomo 1:
de pertenencia.
5 puntos.
Practica Calificada 3:
20 puntos.
Semana 12
Semana 13
Semana 14
El alumno entiende de
la codificacin y de la
decodificacin en base a
un controlador difuso.
Laboratorio Calificado 3
El alumno entiende de
la computacin
evolutiva.
El alumno realiza
aplicaciones de redes
Aplicaciones de la Lgica Difusa en la
neuronales en
automatizacin y control de procesos, con
diferentes campos de la
simulaciones en Matlab.
ingeniera.
Semana 15
Semana 16
Examen Final
Examen Rezagados
TRABAJO AUTONOMO
Actividad
Trabajo autnomo reflexivo 01:
Investigar y presentar un trabajo correspondiente al desarrollo
de las unidades 1 y 2
FECHA DE ACTUALIZACIN: 10/03/2016.
Semana
Horas
11