INTRODUCCIÓN A LOS SISTEMAS INTELIGENTES (75.50)

Equipo Docente: M.Ing. Alejandra Ochoa
, M.Ing. Enrique Fernández

OBJETIVOS

Que los alumnos sean capaces de identificar las técnicas y métodos de la Teoría de Sistemas Inteligentes que sean necesarias para la resolución de problemas de procesamiento de información que lo requieran.

Que los alumnos tengan los elementos conceptuales necesarios para diseñar y conducir el proceso de implementación de los módulos informáticos asociados a las técnicas de la Teoría de Sistemas Inteligentes señaladas durante el proceso de identificación.

PROGRAMA

INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO. Introducción al aprendizaje automático. Aprendizaje de conceptos, aprendizaje supervisado y no supervisado. Tipos de aprendizaje. Métodos clásicos. Minería de datos. Algoritmos de aprendizaje automático aplicado en minería de datos. Familia TDIDT

INTRODUCCIÓN A LAS REDES NEURONALES. Introducción a las redes neuronales. Fundamentos de las redes neuronales. Características. Memoria asociativa. Redes multicapa Redes con conexiones hacia delante. Modelo de Hopfield. Modelo de retropropagación. Modelo de Kohonen.

INTRODUCCIÓN A LOS ALGORITMOS GENETICOS. Operadores Básicos: Métodos de Selección. Métodos de Cruza. Métodos de Mutación. Programación evolutiva. Algoritmos Genéticos Secuenciales y Paralelos.

SISTEMAS INTELIGENTES AUTÓNOMOS. Vida artificial. Sistema inteligente autónomo. Arquitectura. Casos.

INTRODUCCIÓN A LOS SISTEMAS EXPERTOS. Representación de Conocimiento. Educción. Viabilidad de Sistemas Expertos. Problemas de diseño, desarrollo e implantación.

BIBLIOGRAFÍA
1. Ochoa, M. 2006. Uso de Técnicas de Educción para el Entendimiento del Negocio. Tesis de Magister en Ingenierìa del Software. Escuela de Postgrado. Instituto Tecnològico de Buenos Aires.
2. Chapman, P. Clinton, J. Kerber, R. Khabaza, T. Reinartz, T. Shearer, C. & Wirth, R.; 2000. CRISP – DM 1.0 Step-by-step data mining guide. SPSS.
3.
Britos, P., Hossian, A., García-Martinez, R. y Sierra, E. 2005. Minería de Datos Basada en Sistemas Inteligentes. Editorial Nueva Librería. ISBN 987-1104-30-8
 
TRABAJOS PRACTICOS
NOTAS
TRABAJOS FINALES

Los alumnos deberan realizar un proyecto de mineria de datos basado en sistemas inteligentes.El formato utilizado para los reportes es el de la editorial Springer (ver archivo sv-lncs.dot en el archivo Formato-Springer.zip).

   
SOPORTE Laboratorio de Sistemas Inteligentes
   
FECHAS DE FINALES  a definir
   
MATERIAL 

TUTORIALES
1.1.- Tutorial sobre Herramientas Inteligentes para la Explotación de Información
1.2.- Tutorial sobre Desarrollo-SBC / SE
1.3.- Tutorial sobre Análisis de Clasificadores Bayesianos

HERRAMIENTAS

2.1.- Herramienta de Clustering basada en SOM (Macro Excel NNClust) [bajar]
2.2.- Herramienta Predictora basada en RN-BP (Macro Excel NNClass) [bajar]
2.3.- Herramienta de Construcción de Arboles de Inducción (Macro Excel CTree) [bajar]
2.4.- Herramienta basada en Redes Bayesianas (JAVA) [bajar]

BASES DE DATOS DE PRUEBA
3.1.- Base de Datos "Anticonceptivos 1" [bajar] "Anticonceptivos 2 " [bajar]
3.2.- Base de Datos "Reparación de Autos" [bajar]
3.3.- Base de Datos "Votaciones" [bajar]
3.4.- Base de Datos "Cardiología" [bajar]
3.5.- Base de Datos "Créditos" [bajar]
3.6.- Base de Datos "Vinos" [bajar]

REPOSITORIO DE BASES DE DATOS
University of California at Irvine Machine Learning Repository [entrar]

   
LECTURAS SUGERIDAS
  1. Safra, S. and Tennenholtz, M. (1994). On Planning while Learning, JAIR 2:111-129.
  2. Giraud-Carrier, C.G. and Martinez, T.R. (1995). An Integrated Framework for Learning and Reasoning, JAIR 3:147-185.
  3. Kaelbling, L.P., Littman, M.L., and Moore, A.W. (1996). Reinforcement Learning: A Survey, Volume 4, pages 237-285.
  4. Cohn, D.A., Ghahramani, Z., and Jordan, M.I. (1996). Active Learning with Statistical Models, JAIR 4: 129-145.
  5. Zlotkin, G. and Rosenschein, J.S. (1996). Mechanisms for Automated Negotiation in State Oriented Domains, JAIR 5:163-238.
  6. Friedman, N. and Halpern, J.Y. (1999). Modeling Belief in Dynamic Systems, Part II: Revision and Update, JAIR 10:117-167. (Part I en PS)
  7. Moriarty, D.E., Schultz, A.C., and Grefenstette, J.J. (1999). Evolutionary Algorithms for Reinforcement Learning, JAIR 11, pages 241-276.
  8. Baxter, J. (2000). A Model of Inductive Bias Learning, JAIR 12:149-198.
  9. Gordon, D.F. (2000). Asimovian Adaptive Agents, JAIR 13:95-153.
  10. Console, L., Picardi, C. and Theseider Dupré, D. (2003). Temporal Decision Trees: Model-based Diagnosis of Dynamic Systems On-Board, JAIR 19:469-512.
  11. Price, B. and Boutilier, C. (2003). Accelerating Reinforcement Learning through Implicit Imitation, JAIR 19:569-629.
  12. Basak, J., Sudarshan, A., Trivedi, D., Santhanam, M. (2004). Weather Data Mining Using Independent Component Analysis, JMLR 5:239--253.
  13. Chen, Y., Wang, J. 2004. Image Categorization by Learning and Reasoning with Regions, JMLR 5:913939. DM-chen04a
  14. Wellman, M.P., Reeves, D.M., Lochner, K.M. and Vorobeychik, Y. (2004). Price Prediction in a Trading Agent Competition, JAIR 21:19-36.
  15. Babaioff, M. and Nisan, N. (2004). Concurrent Auctions Across The Supply Chain, JAIR 21: 595-629.
  16. Borodin, A., El-Yaniv, R. and Gogan, V. (2004). Can We Learn to Beat the Best Stock, JAIR 21: 579-594.
  17. Dunne, P.E. (2005). Extremal Behaviour in Multiagent Contract Negotiation, JAIR 23:41-78.
  18. Geibel, P. and Wysotzki, F. (2005). Risk-Sensitive Reinforcement Learning Applied to Control under Constraints, JAIR 24: 81-108.
  19. Bayer-Zubek, V. and Dietterich, T.G. (2005). Integrating Learning from Examples into the Search for Diagnostic Policies, JAIR 24: 263-303.