Introducción - Ciencias Computacionales

C291-78
Tópicos Avanzados:
Inteligencia Computacional I
Instructoras (en orden alfabético)
Dra. Ma. del Pilar Gómez Gil
Dra. Alicia Morales Reyes
Primavera 2016
pgomez@inaoep.mx
V: 20-Ene-16
(c) 2016. P. Gómez-Gil, INAOE
1
Objetivo del curso
Introducir a estudiantes de posgrado en los
tópicos fundamentales relacionados a la
Inteligencia Computacional (IC), así como
en sus principales aplicaciones
(c) 2016. P. Gómez-Gil, INAOE
2
Inteligencia Computacional


Incluye conceptos, paradigmas, algoritmos e
implementaciones de sistemas que exhiben
un comportamiento “inteligente” al aplicarse
en sistemas complejos.
Los algoritmos usados están inspirados en
sistemas biológicos, e incluyen
principalmente las áreas de redes neuronales
artificiales, sistemas difusos y algoritmos
evolutivos.
(c) 2016. P. Gómez-Gil, INAOE
3
¿Que es “inteligencia”?

Según el diccionario Merriam-Webster:
 “Es
la habilidad de aprender, entender o
enfrentar nuevas situaciones;
 Es la habilidad de aplicar conocimiento para
manipular el medio ambiente;
 Es la habilidad de pensar de manera
abstracta; puede medirse con criterios
objetivos obtenidos de pruebas.
(c) 2016. P. Gómez-Gil, INAOE
4
Página de recursos del curso:
http://ccc.inaoep.mx/~pgomez/cursos/IC-I/
(c) 2016. P. Gómez-Gil, INAOE
5
Dr. James Bezdek, en su visita al
INAOE, en Febrero del 2012
(c) 2016. P. Gómez-Gil, INAOE
6
Dr. Haykin y Dra. Gómez en el MICAI
2008
(c) 2016. P. Gómez-Gil, INAOE
7
Método de trabajo



Curso impartido en 2 etapas, involucrando a los diferentes instructores.
Dependiendo de la etapa y el tema, habrá exposiciones en clase de los
conceptos fundamentales de cada tema, se discutirán las dudas en clase y
se propondrán temas o artículos específicos para revisión del estado del
arte.
Se desarrollarán tareas y proyectos de investigación asignados por los
instructores
(c) 2016. P. Gómez-Gil, INAOE
8
Contenido del curso (1/3)
disponible en: http://ccc.inaoep.mx/~pgomez/cursos/IC-I/temario.pdf
No. de
SEMANA
del Periodo
TEMA
1
I. Introducción (1 sesión)
a) Los sistemas inteligentes.
b) La inteligencia computacional
c) Definiciones básicas
d) Ejemplos de aplicaciones
1½
II. REDES NEURONALES (11 sesiones):
1. Fundamentos de las RNA (2 sesiones)
a) Organización cerebral
b) Tipos de arquitecturas neuronales
c) Tipos de entrenamiento
2. Redes alimentadas hacia adelante (3 sesiones)
a) El modelo más simple: perceptron
b) Redes de perceptrones de un nivel
c) Redes de perceptrones de varios niveles
d) El algoritmo de retro-propagación
3. El modelo básico de Hopfield (2 sesiones, 3 hrs)
a)
Modelo general de recurrencia
a)
Entrenamiento
4. Mapas auto-organizados SOM (4 sesiones, 6 hrs)
a)
Arquitecturas
(c) 2016. P. Gómez-Gil, INAOE
9
Contenido del curso (2/3)
No. de
SEMANA del
Periodo
TEMA
PRIMER PARCIAL (1 hr)
a)
a)
7
Entrenamiento
Ejemplos
III. SISTEMAS DIFUSOS: (3 sesiones, 4.5 hrs)
1. Teoría difusa
2. Sistemas difusos
c) Sistemas expertos difusos
d) Aplicaciones diversas
Examen área RNA y Lógica Difusa (1 sesión, 1.5 hrs)
(c) 2016. P. Gómez-Gil, INAOE
10
Contenido del curso (3/3)
No. de
SEMANA
del Periodo
9
TEMA
IV. ALGORITMOS EVOLUTIVOS (6
semanas, 9 hrs):
1. Introducción al cómputo evolutivo (1.5 hrs)
2. Algoritmos genéticos (3 hrs)
3. Estrategias evolutivas (1.5 hrs)
4. Programación evolutiva (1.5 hrs)
5. Programación genética (3 hrs)
6. Otros métodos de optimización heurística
(1.5 hrs)
Examen área Algoritmos Evolutivos
IV. ALGORITMOS EVOLUTIVOS (6
semanas, 9 hrs):
(c) 2016. P. Gómez-Gil, INAOE
11
Evaluación del curso


Cada parte será evaluada por el instructor(a)
involucrado(a). La calificación final está dada
por el promedio de estas evaluaciones.
Por la parte de Redes Neuronales y Lógica
difusa, la evaluación estará distribuida como:
 Examen
1 ………… 30%
 Examen 2 …..……. 30%
 Tareas/proyectos.... 40%
(c) 2016. P. Gómez-Gil, INAOE
12
Código de Ética

Se espera que el/la estudiante observe en todas
las actividades del curso, el comportamiento
ético adecuado a cualquier profesional de
ingeniería o ciencias. Como un ejemplo de
Código de Ética consultar el de la IEEE
(www.ieee.org) o de la ACM (www.acm.org).
(c) 2016. P. Gómez-Gil, INAOE
13
Un poco sobre
Inteligencia
Computacional (IC)…
(c) 2016. P. Gómez-Gil, INAOE
14
Comportamiento “inteligente”
(Kruse et al. 2013)

Algunas aplicaciones de sistemas
complejos requieren apoyar la toma de
decisiones, controlar procesos, reconocer
e interpretar patrones, o maniobrar de
manera autónoma vehículos o robots en
un ambiente desconocido
(c) 2016. P. Gómez-Gil, INAOE
15
Sistemas inteligentes
(Kruse et al. 2013)



Requieren simular el pensamiento inteligente y
realizar acciones en el campo en que son
aplicados
Su calidad depende fuertemente de la manera en
que se representa el conocimiento
La IC incluye aspectos teóricos (¿Cómo y por qué
trabajan los sistemas inteligentes?) y prácticos
(¿Dónde y cuándo se pueden usar estos
sistemas?)
(c) 2016. P. Gómez-Gil, INAOE
16
Inteligencia Artificial e
inteligencia computacional

Originalmente, el conocimiento de los
sistemas artificiales inteligentes fue
representado por modelos simbólicos. Por
ejemplo, representaciones top-down,
sistemas expertos basados en reglas,
probadores automáticos de teoremas y
técnicas de investigación de operaciones
(planeación, “scheduling”)
(c) 2016. P. Gómez-Gil, INAOE
17
Inteligencia Artificial e inteligencia
computacional (cont.)



La representación simbólica funciona bien en
muchos casos, pero no es fácilmente escalable;
los errores/complicaciones pequeñas crecen
exponencialmente (Kruse et al. 2013)
Aunque esa representación obtiene soluciones
óptimas, muchas veces no puede aplicarse en la
práctica
La inteligencia computacional (IC) permite trabajar
con sistemas imprecisos y encontrar soluciones
en tiempos razonables, aunque no exactas
(c) 2016. P. Gómez-Gil, INAOE
18
http://cis.ieee.org/
(c) 2016. P. Gómez-Gil, INAOE
19
Inteligencia computacional
(cont.)

Cubre una gran cantidad de modelos, pero los
mas comunes incluyen:
 1)
Sistemas inspirados en la naturaleza. Ejemplos de
estos son las redes neuronales artificiales y los
algoritmos evolutivos
 2) Sistemas que representan conocimiento incierto,
vago o incompleto. Ejemplos de éstos son los
sistemas difusos y las redes bayesianas

Es muy común combinar las soluciones, creando
sistemas híbridos, ejemplo sistemas neurodifusos.
(c) 2016. P. Gómez-Gil, INAOE
20
Redes Neuronales Artificiales
Inspiradas en neurociencia
 Formados por un número grande de
procesadores simples que trabajan en
paralelo y se conectan entre sí
 Simulan al cerebro

(c) 2016. P. Gómez-Gil, INAOE
21
Algoritmos Evolutivos



Se basan en ideas de la evolución biológica,
donde los algoritmos se adaptan a las
condiciones del medio ambiente después de
varias generaciones
Son un tipo de meta-heurística (secuencias
de pasos abstractos aplicables a una o mas
descripciones de problemas arbitrarios)
Se dirigen a problemas de optimización
(c) 2016. P. Gómez-Gil, INAOE
22
Sistemas difusos



Representan conocimiento vago dado por un
experto, usando lógica difusa y teoría de
conjuntos difusos
Pueden hacer inferencias basadas en esta
representación generando métodos de
razonamiento aproximado
Se aplican en ingeniería de control pues en
muchas aplicaciones es impractico o imposible
modelar a los sistemas de una manera precisa y
completa
(c) 2016. P. Gómez-Gil, INAOE
23
Redes Bayesianas
Son modelos gráficos probabilistas que
representan variables random y sus
dependencias condicionales, usando
grafos dirigidos acíclicos
 Pueden representar conocimiento vago
 Pueden hacer inferencias basadas en
nueva información

(c) 2016. P. Gómez-Gil, INAOE
24
Mapa Conceptual de Inteligencia Computacional hace 10 años
(Eck et al., 2006)
(c) 2016. P. Gómez-Gil, INAOE
25
Mapa conceptual Simplificado [Eck et al 2006]
(c) 2016. P. Gómez-Gil, INAOE
26
Referencias
R. Kruse, C. Moewes, C. Borgelt, M.
Steinbrecher, F. Klawonn, P. Held.
Computational Intelligence, a methodological
introduction. Springer: London, 2013.
Eck, J. et al .”Visualizing the Computational
Intelligence field,” IEEE Computational
Intelligence Magazine Nov. 2006.
(c) 2016. P. Gómez-Gil, INAOE
27