Slabo

Sistemas Inteligentes

I. Datos Generales

I.1. Asignatura : Sistemas inteligentes

I.2. Docente Experto : Dr. Ing. Mario Fernando Ramos Moscol.
I.3. Tutor Virtual : Dr. Ing. Mario Fernando Ramos Moscol.
I.4. Escuela profesional : Ingeniera de Sistemas
I.5. rea acadmica : Formacin Profesional
I.6. Ciclo : VIII
I.7. Ao acadmico : 2016-1
I.8. Pre-requisito :
I.9. Crditos : 4
I.10. Duracin : 8 semanas de aprendizaje
I.11. Horas de estudio : 12 horas semanales

II. Fundamentacin

La asignatura de Sistemas Inteligentes corresponde al rea de Especialidad, siendo de carcter terico-

prctico y tiene como propsito potenciar en el estudiante sus habilidades de anlisis, diseo,
programacin e implementacin de sistemas inteligentes con propuestas innovadoras en el campo de las
tecnologas de informacin.

El curso es importante pues permite al estudiante participar en la solucin de problemas computacionales

no tradicionales que requieren cierto grado de inteligencia relacionados con aprendizaje automtico,
diagnstico, planificacin de tareas, optimizacin de funciones, toma de decisiones con datos difusos que
complementan el desarrollo de sistemas de informacin.

Se incluyen los siguientes temas: Sistemas conexionistas y evolutivos (redes neuronales, algoritmos
genticos), sistemas expertos y sistemas difusos (lgica difusa). Para poder abordar la gama de tcnicas
en Sistemas Inteligentes se organizar el estudio en 8 semanas donde el aprendizaje ser progresivo.
Aunque el tratamiento de los temas mencionados es amplio se ha definido una estrategia comn, se
presenta el fundamento terico del tema y luego se utiliza un framework para implementar en forma
prctica el tema correspondiente.

III. Competencias

Comprende los sistemas inteligentes y su representacin de problemas mediante las

diferentes tcnicas, usando metodologas aplicadas a casos reales.

1
 .
IV. Programacin de Contenidos

Finalidades formativas Descripcin de

Semana
Temas Contenidos
Tema 01: Fundamentos de las Redes Neuronales Artificiales. Capacidades Este tema nos permite introducir los conceptos de las redes
1. Conoce la definicin de las redes neuronales artificiales neuronales artificiales y visualizar su estrecha relacin con la
1.1 Presentacin de las redes neuronales artificiales. 2. Identifica los componentes de una neurona artificial. inteligencia artificial.
Semana 1 1.2 La neurona artificial. 3. Implementa algoritmos de aprendizaje para neuronas bsicas: OR, AND Revisaremos la estructura de una neurona artificial e
1.3 La neurona OR. 4. Disea redes neuronales artificiales bsicas. implementaremos algoritmos de aprendizaje, usaremos para tal
Conozcamos los
1.4 La neurona AND. caso, neuronas bsicas para las puertas lgicas OR y AND.
fundamentos de las
1.5 El mvil autnomo. Actitudes Presentamos ejemplos de redes neuronales artificiales, en los que
redes neuronales 1.6 Reconocimiento de patrones. 1. Demuestra tolerancia y respeto ante la opinin de sus compaeros en el mostraremos las dos etapas en el ciclo de vida de las redes
artificiales debate de un foro. neuronales artificiales: el entrenamiento y la produccin.
(23 al 29 de mayo) 2. Asume responsabilidad en el cumplimiento de las actividades. Utilizaremos medios audiovisuales para presentar los contenidos
3. Reconoce los conceptos de las redes neuronales artificiales tericos y hojas de clculo para implementar las soluciones.
4. Valora los algoritmos de aprendizaje de las redes neuronales artificiales.
5.Reconoce la estructura de las redes neuronales artificiales.
Capacidades En este tema presentaremos los IDEs y Frameworks disponibles
Tema 2: Usando JOONE. 1. Conoce los IDEs y Frameworks dispoinbles para disear e implementar redes para trabajar con redes neuronales artificiales.
neuronales artificiales
2.1 IDEs y Frameworks disponibles para redes neuronales 2. Utiliza JOONE como IDE y como Framework para implementar redes Usaremos el software JOONE para implementar redes neuronales
Semana 2 artificiales. neuronales. bsicas. Presentaremos el modo edicin para crear redes en forma
Utilicemos JOONE 2.2 Descarga e instalacin de JOONE. 3. Implementa redes neuronales artificiales usando JOONE para OR, AND, mvil interactiva y el modo programacin con el framework del engine
como IDE y Framework 2.3 Usando el editor de JOONE. autnomo y reconocimiento de patrones. para crear nuestros propios programas en lenguaje java.
para implementar redes 2.4 Usando el motor de JOONE.
neuronales artificiales. 2.5 Implementacin de la neurona OR en JOONE. Actitudes
(30 de Mayo al 05 de 2.6 Implementacin de la neurona AND en JOONE. 1. Demuestra puntualidad y perseverancia en la asistencia de las tutorias
Junio) 2.7 Implementacin de la red para el mvil autnomo. programadas.
2.8 Implementacin de la red para el reconocimiento de patrones. 2. Reconoce los aspectos relacionados a un IDE y Framework para redes
neuronales artificiales.
3. Valora las opiniones de los dems y las recoge para fortalecer sus
conocimientos.

2
 Tema 3: Tipos de redes neuronales artificiales y Capacidades En este tema ampliamos el estudio de las redes neuronales,
aplicaciones. 1. Conoce la clasificacin de las redes neuronales artificiales. presentando una clasificacin de las mismas y sus diferentes
2. Conoce y aplica las tcnicas de entrenamiento de las redes neuronales tcnicas de aprendizaje.
3.1 Tipos de redes neuronales. artificiales. Seguiremos un mtodo de aprendizaje cclico presentando el
3.2 Perceptron. 3. Disea aplicaciones de reconocimiento de voz con redes neuronales modelo para cada tipo de red, luego comentamos su arquitectura y
Semana 3 3.3 Adaline. artificiales. finalmente trabajamos con algoritmo de aprendizaje.
Diseemos 3.4 Backpropagation. 4. Disea aplicaciones de pronsticos con redes neuronales artificiales Mostramos con cierto nivel de detalle el desarrollo de aplicaciones
aplicaciones con redes 3.5 Aprendizaje asociativo. Actitudes de reconocimiento de voz y de pronsticos que son aplicaciones
neuronales. 3.6 Redes competitivas. 1. Valora los tipos de redes neuronales artificiales.. ampliamente difundidas en inteligencia artificial.
(06 al 12 de Junio) 3.7 Redes recurrentes. 2. Orienta la solucin de aplicaciones con modelos de redes neuronales
3.8 Reconocimiento de la voz. artificiales.
3.9 Pronsticos. 3. Asume responsabilidad en el cumplimiento de las actividades programadas.
4. Asume una posicin pro activa respecto a las tcnicas de aprendizaje de las
redes neuronales artificiales.
5. Valora la tecnologa de redes neuronales artificiales para resolver problemas
reales.
Capacidades En esta semana veremos cmo utilizar la lgica difusa en sistemas
Tema 4: Fundamentos de la lgica difusa. 1. Conoce los conceptos bsicos de la lgica difusa. de control.
2. Identifica y utiliza tcnicas la lgica difusa en sistemas de control. Conoceremos la forma de modelar una solucin con conocimiento
Semana 4 4.1 Introduccin al control difuso. 3. Utiliza Xfuzzy para modelar sistemas de control con lgica difusa y genera difuso y definiremos las reglas en el software Xfuzzy, generando el
Utilicemos tcnicas de 4.2 Operaciones bsicas en lgica difusa. cdigo java para desarrollar nuestros propios algoritmos. cdigo fuente correspondiente en lenguaje java.
lgica difusa para 4.3 El modelo de control difuso.
modelar sistemas de 4.4 El modelo Mandani. Actitudes
control. 4.5 El software Xfuzzy. 1. Demuestra tolerancia y respeto ante la opinin de sus compaeros en el
(13 al 19 de Junio) 4.6 Programando nuestros propios algoritmos. debate de un foro.
4.7 El control difuso con Arduino. 2. Valora las operaciones de la lgica difusa y su aplicacin en desarrollo de
sistemas de control.
3. Asume responsabilidad en el cumplimiento de las actividades.

3
 Tema 5: Fundamentos de los algoritmos genticos . Capacidades En esta semana veremos cmo utilizar los algoritmos genticos
1. Conoce el algoritmo gentico bsico. para casos de optimizacin de funciones.
5.1 Definiciones. 2. Utiliza el framework JGAP para implementar algoritmos genticos Conoceremos la forma de modelar una solucin con algoritmos
Semana 5 5.2 Descarga e instalacin de JGAP. 3. Conoce aplicaciones que se resuelven con algoritmos genticos. genticos, generando el cdigo fuente correspondiente en lenguaje
Conozcamos los 5.4 Practicando con JGAP. java.
fundamentos de los 5.5 Presentacin de caso.
algoritmos genticos. Actitudes
(20 al 26 de Junio) 1. Demuestra puntualidad y perseverancia en la asistencia de las tutorias
programadas.
2. Reconoce la importancia del algoritmo gentico y sus aplicaciones.
3. Valora las opiniones de los dems y las recoge para fortalecer sus
conocimientos.
Estudiaremos la problemtica, definiciones y arquitectura de los
Tema 6: Fundamentos de los agentes inteligentes. Capacidades agentes inteligentes para casos de procesamiento informtico
1. Conoce los conceptos bsicos de los agentes inteligentes. moderno.
Semana 6 6.1 Definiciones. 2. Identifica los tipos de agentes inteligentes y reconoce su estructura. Conoceremos la forma de modelar una solucin con agentes
6.2 Tipos de agentes inteligentes. 3. Utiliza JADE para programar agentes inteligentes. intelgentes, generando el cdigo fuente correspondiente en
Identifiquemos los tipos 6.3 Descarga y uso de Software JADE. lenguaje java.
de agentes inteligentes. 6.4 Agentes en JADE.
Actitudes
(27 de Junio al 03 de 1. Valora las tcnicas de programacin de agentes inteligentes.
Julio) 2. Asume responsabilidad en el cumplimiento de las actividades programadas.
3. Asume una posicin proactiva respecto al uso de agentes inteligentes en
aplicaciones informticas modernas.

4
 En esta semana revisaremos la programacin en detalle de los
Tema 7: Programacin de agentes inteligentes en JADE. Capacidades agentes inteligentes que plantean soluciones modernas a
1. Define y disea aplicaciones basadas en agentes inteligentes. problemas tpicamente informticos.
7.1 Implementado el Comportamiento de los agentes. 2. Aplica las tcnicas de programacin para definir los comportamientos de los
7.2 Implementando Comunicacin entre agentes. agentes inteligentes. Conoceremos el cdigo para definir el comportamiento inteligente
7.3 Conociendo Ontologas. 3. Aplica las tcnicas de programacin para establecer mtodos de de los agentes y la forma en que se comunican.
Semana 7 7.4 Casos resueltos con agentes inteligentes. comunicacin entre los agentes inteligentes.
Diseemos 4. Modela y codifica ontologas usando clases en JADE. Modelaremos escenarios reales con ontologa y codificaremos la
aplicaciones basadas solucin desde el punto de vista de JADE.
en agentes inteligentes Finalmente presentaremos casos resueltos con agentes
(04 al 08 de Julio) Actitudes
inteligentes factibles de implementar en nuestras soluciones
1. Demuestra tolerancia y respeto ante la opinin de sus compaeros en el
informticas..
debate de un foro.
2. Asume responsabilidad en el cumplimiento de las actividades programadas.
3. Valora la problemtica de los agentes inteligentes, su programacin y la
posibilidad de formular soluciones con tecnologas informticas.

Evaluacin de aplazado
Semana 8 1. Se rendir examen de Aplazados, siempre y cuando, se haya obtenido nota promedio entre 8.5 y 10.4
(13 de Julio) 2. Si rinde el examen de Aplazado, la nota final, se obtiene del promedio final, ms nota de su examen de aplazado, dividido entre dos.
3. El examen de aplazado, considera los temas de toda la asignatura.

V. Metodologa

La asignatura de Sistemas inteligentes ha sido diseada para desarrollar aprendizajes significativos en entornos virtuales de aprendizaje (EVA), empleando una metodologa activa y participativa, centrada en el
alumno, quien despliega estrategias de aprendizaje autnomo y colaborativo on line, interactuando con el material de estudio (objetos de aprendizajes), estableciendo una comunicacin asincrnica y sincrnica con
su tutor y compaeros de estudio media por herramientas e-learning.

Especficamente, entre las estrategias didcticas que se fomentarn estn las siguientes:

- Estrategias para motivar y provocar la curiosidad por lo que se aprende: Estas estrategias sern empleadas para mantener motivados y predispuestos a los alumnos para el estudio del curso, en este
contexto, el tutor virtual las utilizar para despertar constantemente el inters, estimular el deseo de aprender y motivar los esfuerzos para alcanzar metas definidas, aqu juega un papel importante el
dialogo mediado y la comunicacin asertiva.

- Estrategias de trabajo colaborativo: Este tipo de estrategia ser orientada a construir conocimiento sociabilizado, a travs de la resolucin de una actividad acadmica o tarea que se proponga en el
5
 desarrollo del curso; asimismo, se pretende incentivar el trabajo en equipo con el fin de que los alumnos mediante diversas herramientas tecnolgicas trabajen juntos para maximizar su propio aprendizaje y
el de sus compaeros.

- Estrategias para organizar la informacin nueva por aprender: Estas estrategias sern muy tiles para organizar esquemticamente la informacin que se presentar a los participantes del curso, con
el fin de hacerla ms atractiva y digerible para los participantes, para ello, haremos uso de mapas conceptuales, redes semnticas, mapas mentales, infografas, etc. Situacin que contribuir al logro de
aprendizajes significativos.

- Estrategias de argumentacin y refutacin: En el curso se fomenta el desarrollo del juicio crtico, la argumentacin de ideas propias y fundamentadas en marcos tericos que permita al alumno asumir
una posicin ante situaciones polmicas. La estrategia se apoyar en los foros de debate y argumentacin de acuerdo a los contenidos temticos planteados en el silabo.

VI. Sistema de tutora

Para el desarrollo de la asignatura de Sistemas inteligentes, el alumno contar con el acompaamiento permanente de su Tutor virtual, quien ser el responsable de asesorarlo, guiarlo y orientarlo en el
proceso de enseanza aprendizaje. Para ello, se han programado dos tipos de tutora:

a) Tutora asincrnica: o tutora en tiempo diferido que permite al estudiante establecer con su tutor virtual lneas de comunicacin dinmica, ante inquietudes y aportes con fines de enriquecer el
aprendizaje, para ello se han establecido dos espacios: (a) El foro de consultas generales y (b) Mensaje al tutor virtual, a travs de estos espacios el alumno recibe asesora y orientacin, segn sean
los casos presentados. El tutor virtual atender o responder las consultas en un lapso de 24 horas.

b) Tutora sincrnica: Asimismo, el sistema de tutora implica sesiones de asesoramiento cada 15 das en tiempo real o tutoras sincrnicas, a travs de las TAV (Tutoras Acadmicas Virtuales), esto
propicia la comunicacin on line de los alumnos con su tutor, haciendo uso de una plataforma de web conferencia. En esta TAV, se orienta y asesora al estudiante y se desarrollan contenidos temticos
enmarcados dentro del silabo.
A la vez esta tutora en tiempo real, demanda al alumno su participacin fluida con comentarios, preguntas, aportes, para ello, debe haber ledo y analizado previamente el material de estudio segn la
programacin silbica

VII. Medios y materiales de estudio

El trabajo pedaggico de la presente asignatura utilizar medios y materiales especialmente seleccionados y diseados para el aprendizaje en entornos virtuales.

El material de estudio est constituido por un conjunto de recursos diseados en formatos virtuales donde se presentan los contenidos temticos de la asignatura, combinado textos, organizadores grficos,
imgenes, audios, videos, etc., es decir, los alumnos tendrn acceso a recursos virtuales interactivos de calidad, elaborados netamente en formato digital para promover el aprendizaje autnomo y colaborativo.

Sobre los medios de comunicacin, hacen referencia a un conjunto de herramientas telemticas, exclusivas para el aprendizaje en lnea o e-learning, dichas herramientas facilitarn la comunicacin en tiempo real
(comunicacin sincrnica) y de forma diferida (comunicacin asincrnica).

6
 Especficamente los medios para el aprendizaje sern los siguientes:

Campus Virtual USS. Escenario donde encontrar la informacin y los medios administrativos-acadmicos propios del trabajo universitario. A travs del Campus se accede al Aula USS Virtual.
Aula USS Virtual: donde se ubicarn los materiales de estudio (objetos de aprendizaje), asimismo, en este espacio se realizar toda la interaccin entre los actores educativos, es el espacio ms
importante del aprendizaje.
Plataforma Blackboard Collaborate: Utilizada para el desarrollo de las Tutoras Acadmica Virtual, que se realizaran en tiempo real (sincrnica) cada 15 das, segn cronograma publicado por la Direccin
general de Educacin a Distancia .
Correo Crece: es el correo institucional, espacio donde el alumno recibir los mensajes (comunicados, avisos, informes) del tutor virtual y coordinador de escuela.

VIII. Sistema de evaluacin

La asignatura asume el enfoque de evaluacin por competencias, a travs de un sistema permanente de valoracin de los aprendizajes de tal manera que el alumno pueda ir reflexionando en relacin a sus logros
y dificultades. Para tales fines se han estructurado tres tipos de evaluacin; diagnostica, formativa y sumativa, aplicadas tambin en tres momentos, la primera de ellas al iniciar la asignatura (evaluacin
diagnstica), la segunda durante el proceso (constituido por actividades, controles de lectura o autoevaluaciones) y la ltima al final (a travs de una evaluacin en lnea).

a. Sistema de calificacin
El sistema de calificacin cuantitativa est constituido por todas las pruebas o actividades consideradas obligatorias, dentro de este contexto se evaluar lo siguiente:

Actividad cdigo Peso

1. Trabajo colaborativo (TI ) 30%
2. Foro de debate y argumentacin (FO) 30%
3. Control Lectura1 (C1) 10%
4. Control Lectura 2 (C2) 10%
5. Examen en lnea (EL) 20%

b. Frmula: Es una operacin que implica la distribucin de las actividades calificadas con su respectivos pesos. Matemticamente la frmula queda graficada de la siguiente forma:

TI * 0.3 + FD * 0.3 + C1 * 0.1 + C2 * 0.1 + EL * 0.2 = Promedio

Sobre la evaluacin de aplazado

1. Se rendir examen de Aplazados, siempre y cuando, se haya obtenido nota promedio entre 8.5 y 10.4
2. Si rinde el examen de Aplazado, la nota final, se obtiene del promedio final, ms nota de su examen de aplazado,
dividido entre dos.
3. El examen de aplazado, considera los temas de toda la asignatura.

7
 c. Instrumentos de evaluacin

Toda actividad o tarea a ser evaluada estar acompaada por su instrumento de evaluacin, especficamente una rbrica, donde se estipula los criterios e indicadores de los aprendizajes que se van a evaluar en
cada una de las actividades, estos instrumentos el alumno los encontrar de manera detallada en el Aula USS Virtual.

IX. Calendario general de la asignatura

Semanas CONDICIN FECHAS

DESCRIPCIN DE ACTIVIDADES

- Lectura del slabo de la asignatura

Actividades previas Desde el 23 de
- Participacin en foro de bienvenida y socializacin
Mayo
- Desarrollo de la evaluacin diagnstica

Lectura del material de estudio semana 1

Semana 1 Participacin en el Foro Temtico 1 Del 23 a 29 de

Mayo
Desarrollo del Cuestionario N01. Autoevaluacin del Actividades de aprendizaje
aprendizaje

Inicio del trabajo Individual

Del 23 de Mayo
Apertura e inicio del foro de Debate y al 26 de Junio
argumentacin
Lectura y anlisis del material de estudio semana 2
Participacin en el Foro Temtico 2 Actividades de aprendizaje
Del 30 de Mayo
Semana 2
Participacin en la 1ra Tutora Acadmica Virtual al 05 de Junio
Desarrollo del Cuestionario N02. Obligatorio:
Evaluada
(10%)
Semana 3 Actividad de aprendizaje Del 06 al 12 de
Lectura y anlisis del material de estudio semana 3
Junio
Desarrollo del Cuestionario N03. Autoevaluado Actividad de
autoevaluacin

8
 Participacin en Foro Debate y Argumentacin Del 18 de Enero
Evaluada
(obligatorio): (30%) al 07 de Febrero
Lectura y anlisis del material de estudio semana 4
Participacin en el Foro Temtico 4 Actividades de aprendizaje
Del 13 al 19 de
Semana 4 Participacin en la 2da Tutora Acadmica Virtual Junio
Desarrollo del Cuestionario N04. Autoevaluado Actividad de autoevaluacin

Lectura y anlisis del material de estudio semana 5

Actividades de aprendizaje
Participacin en el Foro Temtico 5 Del 20 al 26 de
Junio
Semana 5 Actividad de
Desarrollo del Cuestionario N05. Autoevaluado
autoevaluacin
ltima semana para entregar Trabajo Individual: Del 23 de Mayo
Evaluada al 26 de Junio
(30%)
Lectura y anlisis del material de estudio semana 6
Participacin en el Foro Temtico 6 Actividades de aprendizaje
Del 27 de Junio
Semana 6 Participacin en el 3era Tutora Acadmica Virtual al 03 de Julio
Desarrollo del Cuestionario N06. Obligatorio:
Evaluada
(10%)
Lectura y anlisis del material de estudio semana 7 Del 04 al 08 de
Actividades de aprendizaje
Participacin en el Foro temtico 7 Julio
Semana 7.
Evaluacin en Lnea (obligatoria): (20%)
Evaluada 09 y 10 de Julio

Para aquellos hayan

Evaluacin de Aplazados obtenido nota promedio entre
13 de Julio
8.5 y 10.4

Semana 8
Foro de Despedida
Evaluacin del curso y desempeo del Tutor Actividades de aprendizaje
13 de Julio
Virtual final

9
X. Referencias bibliogrfica

Russell, S y Norving P. Inteligencia Artificial: un enfoque moderno. Ed. Pearson, Prentice Hall. 2da. edicin.

Link de ingreso: Enlace.

Este libro se ha convertido en un clsico de la literatura relacionada con la disciplina de la Inteligencia artificial, Realiza un estudio de los sistemas inteligentes basados en agentes, sin embargo trata la adquisicin
del conocimiento desde un punto de vista muy prctico sin perder el aspecto formal basado en la lgica. Presenta un caso del mundo de wumpus que es muy ilustrativo en el tratamiento del conocimiento.
Adicionalmente presenta una introduccin a la robtica que permite implementaciones reales de la inteligencia artificial.

Sutton, Richard S. y Barto, Andrew G. (1998). Reinforcement Learning: An Introduction (Adaptive Computation and Machine Learning)

El Aprendizaje por refuerzo es una de las reas de investigacin ms activas en la inteligencia artificial, es un enfoque computacional para el aprendizaje mediante el cual un agente intenta maximizar la cantidad
total de la recompensa que recibe al interactuar con un entorno complejo, incierto. Los autores presentan los fundamentos de los algoritmos de aprendizaje, la historia y los ms recientes desarrollos y aplicaciones,
tratan los conceptos elementales de la probabilidad. El libro est dividido en tres partes. en la primera se define el problema de refuerzo de aprendizaje en trminos de procesos de decisin de Markov, en la segunda
se proporcionan mtodos bsicos de solucin: la programacin dinmica, los mtodos de Monte Carlo y el aprendizaje temporal-diferencia, finalmente se presenta una visin unificada de los mtodos de solucin e
incorpora redes neuronales artificiales, rastros de elegibilidad, y la planificacin; el libro incluye dos ltimos captulos que presentan estudios de caso y hacen una prospectiva del futuro de aprendizaje por refuerzo.

Goldberg, David E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning

El libro se trata las tcnicas de computacin, herramientas matemticas, y resultados de investigacin que permiten a los estudiantes y profesionales aplicar algoritmos genticos a problemas en muchos campos. Se
incluyen conceptos ilustrados con ejemplos de funcionamiento, y los principales algoritmos se ilustran con programas informticos en lenguaje Pascal. Para comprender los temas propuestos no se requiere
conocimientos previos de gentica, tan slo es necesario conocimientos mnimos de programacin y matemtica bsica.

10
Haykin, Simon O. (2008). Neural Networks and Learning Machines. (3rd Edition)

El libro presenta los temas de Redes Neuronales relacionados con Mquinas de aprendizaje, muy bien organizados y en for ma minuciosa y legible presenta experimentos basados en Matlab desde una perspectiva de
ingeniera los mismos que estn estn disponibles para su descarga en: http://www.pearsonhighered.com/haykin/ .

Eberhart , Russell C.; Shi, Yuhui y Kennedy, James (2001). Swarm Intelligence (The Morgan Kaufmann Series in Evolutionary Computation).

El libro presenta nuevas y valiosas ideas explorando los lmites de la ciencia cognitiva, la psicologa social, la vida artificial, la inteligencia artificial, la computacin evolutiva y mediante la aplicacin de stos
conocimientos hace frente a la resolucin de problemas de ingeniera difciles. La importancia de los temas tratados hace de este libro un documento de lectura obligatoria para os investigadores y estudiantes de
postgrado en cualquiera de estas disciplinas. Se desarrollan temas de inteligencia, conducta adaptativa y computacin evolutiva. Presenta el algoritmo de optimizacin de enjambre de partculas. Incluye programas
basados en Java y Visual Basic.

Disponibles en la Biblioteca de la USS:

La Hoz-Beltr Rafael (2004), Bioinformtica: simulacin, vida artificial e inteligencia artificial

La aplicacin del ordenador al estudio de la Naturaleza ha conducido desde sus orgenes a espectaculares simulaciones, describiendo las propiedades y mecanismos fundamentales de uno de los fenmenos de mayor
belleza y complejidad surgidos en nuestro planeta, la Vida. Sin embargo, y desde los orgenes de la simulacin, los cientficos e ingenieros emprendieron otro camino: aquel en el que es la propia Naturaleza la que
se convierte en fuente de inspiracin, disendose desde entonces un nmero cada vez mayor de procedimientos computacionales o algoritmos bioinspirados de probada eficacia y utilidad en disciplinas como la
Ingeniera, Economa, Qumica, Poltica, Informtica, Fsica, Matemticas, Sociologa, Biologa, Medicina, etc.

Palma Mndez, Jos Tomas (2008). Inteligencia artificial, mtodos, tcnicas y aplicaciones.

11
El autor presenta en forma clara los conceptos de representacin del conocimiento, diagnosis, planificacin y control. Estudia las redes neuronales, tcnicas de agrupamiento y tcnicas de extraccin de reglas para
aprendizaje y minera de datos. Finalmente presenta aspectos metodolgicos para la ingeniera del conocimiento, sistema multiagentes, razonamiento basado en casos y reconocimiento de formas.

Ponce Cruz,Pedro (2010). Inteligencia artificial con aplicaciones a la ingeniera.

Esta es una obra completa sobre los temas ms importantes de la Inteligencia artificial que se emplean en ingeniera; est dirigida a profesores, alumnos y profesionales de las diversas ramas de la tecnologa, que
busquen entender y aplicar los conocimientos avanzados de inteligencia artificial en su rea de accin correspondiente de una manera sencilla y amigable. Presenta grficas, ilustraciones y numerosos ejemplos
desarrollados en MATLAB , que permiten una mejor comprensin de lo expuesto.

Direcciones Electrnicas

Brito, Ramirez, Izquierdo. Heurstica. http://psmheuristica.webnode.com.ve/. Politcnico Santiago Marios. Extensin Maracay, Escuela de Sistemas.
El contenido de esta pgina presenta recursos didcticos para la aplicacin del paradigma de la heurstica en informtica, implementa interesantes ejemplos ldicos como la 8 reinas, el agente viajero, etc.

Gutierrez, M. Introduccin a la ingeniera del conocimiento. http://www.cs.us.es/cursos/iic-2003/temas/.

Esta pgina constituye un curso desarrollado en el Dpto. de Ciencias de la Computacin e Inteligencia Artificial. Universidad de Sevilla con aplicaciones prcticas en lenguaje Prolog.

Gomez, D. Inteligencia artificial. http://intart.wikifoundry.com/

Pgina de Inteligencia artificial mantenida por Daniel Gomez de EAFIT, contiene temas, videos, noticias, aplicaciones, etc.

Carrascosa y Julin. Sistemas de representacin y procesamiento del conocimiento. http://personales.upv.es/ccarrasc/

Curso presentado en la facultad de Informtica de la Universidad Politcnica de valencia.

Morales, E. Representacin del conocimiento. http://ccc.inaoep.mx/~emorales/Cursos/Representa/node10.html

12
Esta pgina desarrolla conceptos de la representacin del conocimiento desde el punto de vista de los sistemas expertos y forma parte de un curso de inteligencia artificial. Contiene temas de la disciplina con enlaces
a recursos disponibles en la web.

Ramos, M. TProlog. https://drive.google.com/file/d/0B7tovM6OJY3cdmlZSEE4c05JRU0/view?usp=sharing

Temas desarrollados en el curso de Turbo Prolog, contiene temas fundamentales de la programacin en lenguaje Prolog. Implementa soluciones a casos tpicos en inteligencia artificial.

13