Materia	Carrera	Plan	Año	Periodo
(Optativas-Ing.Electrónica-Plan 19/12-17/15) Optativa:Sistemas Inteligentes	INGENIERÍA ELECTRÓNICA	Ord 19/12-11/22	2022	2° cuatrimestre
(Optativa Ingenieria Mecatronica - 22/12-21/15) Optativa:Sistemas Inteligentes	ING. MECATRÓNICA	Ord 22/12-10/22	2022	2° cuatrimestre

Docente	Función	Cargo	Dedicación
AVILA, LUIS OMAR	Prof. Responsable	P.Adj Exc	40 Hs
TRIMBOLI, MAXIMILIANO DANIEL	Responsable de Práctico	A.1ra Simp	10 Hs

Este curso trata sobre los aspectos principales de la Inteligencia Artificial (IA) y los Sistemas Inteligentes (SI). Un SI es un sistema que provee soluciones para problemas que son difíciles o poco práctico para resolver con los métodos tradicionales. Para ello, un SI utilizará en su diseño técnicas y arquitecturas adecuadas para lograr distintos grados de flexibilidad (reactividad, pro-actividad y sociabilidad), autonomía, adaptabilidad y aprendizaje. Para lograr estas capacidades el diseño de un SI debe involucrar aspectos tales como percepción, planificación y acción, representación de conocimiento y razonamiento, resolución de problemas y búsqueda, incertidumbre, utilidades y aprendizaje automático.
El enfoque adoptado en nuestro caso se basa en el concepto de agente inteligente. Desde esta perspectiva, el desarrollo de SI se centra en el análisis, diseño y construcción de agentes autónomos. Un agente es un sistema de software y/o máquina física provisto de sensores y efectores que le permiten interactuar directamente con un ambiente (virtual o físico). Un agente inteligente debería ser capaz de percibir su ambiente, y actuar racionalmente en pos de sus objetivos de diseño, interactuando cuando fuera necesario con otros agentes artificiales y/o humanos.
El énfasis en este curso estará puesto en las aplicaciones de las técnicas de la IA y en los aspectos de ingeniería involucrados en el desarrollo de los SIs. En este contexto, los casos de estudio incluirán diversas áreas tales como los sistemas basados en conocimiento, optimización, sistemas bio-inspirados, agentes inteligentes, procesamiento de lenguaje natural, aprendizaje automático, minería de datos, robótica adaptativa inteligente, etc.

Resultados de Aprendizaje:

Que el estudiante sea capaz de:

- Adquirir los conceptos fundamentales de Sistemas Inteligentes, poniendo el énfasis en aquellos aspectos directamente involucrados con la generación del comportamiento inteligente para la resolución de problemas mediante búsqueda, la representación de conocimiento y razonamiento y la toma de decisiones bajo incertidumbre.
- Determinar cuándo un enfoque o arquitectura de sistema inteligente es apropiado para un determinado problema con el objetivo de identificar las representaciones y mecanismos más adecuados para su abordaje, ponerlos en práctica y evaluarlos.
- Desarrollar los conocimientos adquiridos con el objetivo de sentar las bases en aspectos más avanzados de los sistemas inteligentes, como por ejemplo Aprendizaje Automático, Ciencia de datos, Sistemas Multiagente, etc.

Unidad Temática Nº 1. Introducción a la Inteligencia Artificial
Qué es la Inteligencia Artificial. Comportamiento humano vs. racional. Test de Turing. El agente racional. Historia de la IA. Aprendizaje Automático.

Unidad Temática Nº 2. Agentes Inteligentes
Agentes y entornos. Racionalidad. Aprendizaje y autonomía. Entorno de tareas. Propiedades de los entornos. Arquitecturas de agentes. Tipos de Agentes. Representaciones.

Unidad Temática Nº 3. Resolución de problemas y búsqueda
Agentes de resolución de problemas. Arboles de búsqueda. Métodos de búsqueda no informada. Búsqueda Informada. Búsqueda local y optimización.

Unidad Temática Nº 4. Toma de decisiones
Agentes basados en utilidad. Funciones de utilidad. Problemas de decisión secuencial. El enfoque MDP. Algoritmos para resolución de MDPs. Aprendizaje por Refuerzos.

Resolución de problemas: Se entregará una guía de trabajos prácticos con ejercicios correspondientes a los temas desarrollados en las clases teóricas.

Los temas a desarrollar serán:

1- Agentes racionales. Desarrollo de ejercicios vinculados a aspectos básicos de la IA, agentes racionales, características de los ambientes y arquitecturas de agentes.
2- Resolución de problemas y búsqueda. Se definen formalmente distintos problemas como “problemas de estado único”. Se analiza y experimenta con distintas estrategias de búsqueda no informada e informada (heurística). También se presentan problemas de satisfacción de restricciones y se analizan y utilizan los métodos más conocidos para su resolución.
3- Toma de decisiones. Se definen formalmente distintos problemas como “procesos de Markov” (MDP). Se analiza y experimenta con distintas estrategias para hallar una política óptima en el contexto de los MDP.

Trabajo de laboratorio: Se realizarán trabajos de laboratorio relacionado a desarrollar algoritmos computacionales para la búsqueda de políticas en problemas complejos.

Los temas a desarrollar serán:

1- Algoritmos para resolución de problemas de búsqueda.
2- Algoritmos para hallar políticas óptimas en MDPs.

A - METODOLOGÍA DE DICTADO DEL CURSO:
Metodología de dictado y aprobación de la asignatura: Clases teóricas, prácticas y de laboratorio.
Se tomarán dos exámenes parciales, con sus respectivos recuperatorios, que buscarán recoger evidencia sobre los contenidos adquiridos durante el desarrollo de los trabajos prácticos.
Los contenidos teóricos y prácticos serán puestos a disposición de los estudiantes a través de la plataforma Google Classroom provista por la universidad.

B - CONDICIONES PARA REGULARIZAR EL CURSO
Asistencia al 70 % de las clases teóricas.
Asistencia al 70 % de las clases prácticas de laboratorio.
Aprobación del 100% de los trabajos prácticos de aula.
Aprobación con 60% los exámenes parciales.

C – RÉGIMEN DE APROBACIÓN CON EXÁMEN FINAL
El alumno será evaluado en un examen final oral sobre los temas teóricos que solicite el tribunal.

D – RÉGIMEN DE PROMOCIÓN SIN EXAMEN FINAL
Asistencia al 70 % de las clases teóricas.
Asistencia al 70 % de las clases prácticas de laboratorio.
Aprobación del 100% de los trabajos prácticos de aula.
Aprobación del 100% de los informes de laboratorio.
Aprobación con 70% los exámenes parciales.

E – RÉGIMEN DE APROBACIÓN PARA ESTUDIANTES LIBRES
El curso no contempla régimen de aprobación para estudiantes libres.

[1] “Artificial Intelligence: A Modern Approach”. S. Russell y P. Norvig. Prentice Hall, 3 ed., 2010. Tipo: libro. Formato: digital. Disponibilidad: disponible en el área.
[2] “Artificial Intelligence: Foundations of Computational Agents”. D. Poole y A. Mackworth. Cambridge University Press, 2 ed.,2017. Tipo: libro. Formato: digital. Disponibilidad: disponible en el área.

[1] “Machine Learning”, Tom Mitchell, McGraw Hill, 1997. Tipo: libro. Formato: digital. Disponibilidad: disponible en el área.
[2] Alpaydin, E. Introduction to Machine Learning. MIT Press, 3 ed., 2014. Tipo: libro. Formato: digital. Disponibilidad: disponible en el área.
[3] “Reinforcement Learning: An Introduction”. Sutton R. S. and A. G. Barto, MIT Press, Cambridge MA, 2 ed.,2018. Tipo: libro. Formato: digital. Disponibilidad: disponible en el área.

- Adquirir los conceptos fundamentales de sistemas inteligentes.
- Determinar cuándo un enfoque o arquitectura de sistema inteligente es apropiado para un determinado problema.
- Desarrollar los conocimientos adquiridos.

Unidad Temática Nº 1: Introducción a la Inteligencia Artificial
Unidad Temática Nº 2: Agentes Inteligentes
Unidad Temática Nº 3: Resolución de problemas y búsqueda
Unidad Temática Nº 4: Toma de decisiones

Para el caso de medidas de fuerza que alteren sustancialmente el dictado de la asignatura, se implementarán sistemas de
autoestudio y consultas mediante la utilización de plataformas on-line.