UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE SISTEMAS

SÍLABO DE LA ASIGNATURA DE SISTEMAS INTELIGENTES

I. Datos Generales.

Facultad : Ingeniería
Departamento Académico : Sistemas, Estadística e Informática
Carrera profesional : Ingeniería de Sistemas
Asignatura : Sistemas Inteligentes
Código : 11Q239
Línea Curricular : Algoritmos y Programación
Régimen : Semestral.
Ubicación : Quinto Ciclo
Naturaleza : Obligatoria
Prerrequisito : Teoría de autómatas y lenguajes formales
Horas de Teoría : 2
Horas de Práctica : 3
Créditos : 3
Semestre académico : 2021 - I
Fecha de inicio : 26 de julio de 2021
Fecha de culminación : 06 de noviembre del 2021
Duración : 15 semanas

II. Información del docente.

Nombre : Fidel Romero Zegarra

Teléfonos : 943262932
Correo : [email protected]
Código ORCID :

Nombre : Lisi Janet Vásquez Fernández

Teléfonos : 994740077
Correo : [email protected]
Código ORCID : 0000-0001-5429-2510

III. Sumilla.

La asignatura de Sistemas Inteligentes corresponde a estudios de la especialidad, es de carácter

teórico - práctico y tiene como propósito que el estudiante adquiera los principios y fundamentos que
le permita modelar, caracterizar y gestionar un sistema como inteligente, procesos, desde la captura
de datos, almacenamiento, organización y distribución de conocimiento, que permita su desarrollo y
manejo independiente, dentro de los controles pre establecidos. Los contenidos generales de la
asignatura son: Enfoques y paradigmas de los sistemas inteligentes. Tendencias de inteligencia
artificial, ciencia de datos y la inteligencia artificia. Redes neuronales, Aplicaciones: Machine Learning
y Deep Learning. Lógica difusa, aplicaciones. Algoritmos genéticos, aplicaciones, Programación
lógica y Lenguaje natural.
IV. Competencias a las que se orienta la asignatura.

Competencia Competencia Específica Resultado de la Asignatura en relación a las

General competencias.

Competencia Construye Aplicaciones Informáticas ● Define un sistema como inteligente

Genérica CG6: para diversas plataformas, teniendo en teniendo coherencia en su enfoque y
Demuestra cuenta paradigma.
pensamiento los algoritmos y lenguajes de ● Modela un proyecto de Machine
crítico y programación, para solucionar Learning, utilizando las redes
creativo en el problemas existentes en distintas áreas neuronales.
estudio y el del conocimiento y del negocio. ● Diseña y modela un sistema experto en
ejercicio Competencia CE2 - Nivel Intermedio: base a la lógica difusa.
profesional, Construye Aplicaciones visuales, de ● Desarrolla una aplicación en
con interés y escritorio y WEB, usando el paradigma programación lógica que emule el
naturalidad, de programación orientada a objetos, razonamiento del uso del lenguaje
para tomar de estructura de datos, Arquitectura natural.
decisiones cliente/servidor y la Teoría de
coherentes y autómatas, para automatizar procesos
pertinentes. operacionales de la organización y de
distintas áreas de conocimiento.

V. Organización de la unidades y resultados de aprendizaje.

Unidad didáctica 1: Resultados de Aprendizaje 1: Define un sistema como

Introducción a la IA y Lógica inteligente teniendo coherencia en su enfoque y paradigma.
Difusa. Resultados de Aprendizaje 2: Diseña y modela un sistema
experto en base a la lógica difusa.
Semana Saberes esenciales Actividades formativas - Indicadores de
– contenidos Estrategias desempeño
Contenido del silabo. ● Participa en la explicación de ● Plantea sus dudas y
Presentación del la Netiqueta para el buen sugerencias para el buen
silabo, Guía de desarrollo y convivencia desarrollo y convivencia
Aprendizaje no
dentro de la asignatura en un dentro del curso.
Presencial.
Elección del delegado entorno virtual. ● Propone y participa en la
Semana: de clase virtual (según ● Participa en la exposición del votación de la elección
1 silabo sobre la organización del delegado de clase
ítem 7 del Protocolo
para el desarrollo de de las unidades contenidas, virtual.
la clase y actividad de las competencias con las que (Google Meet)
enseñanza virtual de se alinea la signatura y el ● Lista en una herramienta
la UNC) sistema de evaluación; así colaborativa sus
mismo participa en la conocimientos sobre
Introducción a la exposición de la guía de aplicaciones de
Inteligencia Artificial aprendizaje no presencial y Inteligencia Artificial
plantea sus interrogantes, así Evidencia y canal de
como sus sugerencias. entrega:
 Participa en la elección del (Padlet)
●
delegado de clase virtual-
(Google Meet)
● A partir de la revisión de los
recursos compartidos en el
SIA, participa en la lluvia de
ideas con relación al repaso
de:
La Inteligencia Artificial y su
aplicación.
Introducción a la ● Videos / guías Describe las principales
Lógica Difusa características de la lógica
La lógica difusa. Explicación sobre lógica difusa
Semana: Conjuntos clásicos y difusa, conjuntos clásicos y
2 conjuntos difusos difusos
Operaciones
fundamentales.
Propiedades de ● Videos / guías Es capaz de solucionar
conjuntos difusos. casos aplicando
Relaciones clásicas y Explicación sobre operaciones con
relaciones difusas. propiedades de conjuntos relaciones difusas.
Semana: Operaciones con difusos, relaciones difusas y
3 relaciones difusas. operaciones.
Razonamiento
aproximado. ● Desarrollo de casos aplicando
Variables lingüísticas. lo aprendido
Proposiciones difusas.
Expresiones difusas IF ● Videos / guías Es capaz de solucionar
–Then. casos aplicando reglas de
Reglas de inferencia. Explicación sobre expresiones inferencia
Representación del difusas if- then, reglas de
significado de las inferencia
reglas If – then.
Estructura de un Desarrollo de casos aplicando
controlador difuso. lo aprendido
Módulo de
fuzificación.
Semana: Base de reglas.
4 Metodología para el
diseño de un
controlador difuso.
Máquina de
inferencia.
Módulo de
defuzificación.
Método de centro de
área.
Método del centro del
máximo.
 Unidad didáctica 2: Resultados de Aprendizaje 3: Modela un proyecto de
Redes Neuronales, Machine and Machine Learning, utilizando las redes neuronales.
Deep learning – Algoritmos
Genéticos
Los modelos ● Videos / guías Describe la estructura de
neuronales de tipo una neurona biológica y
biológico. Explicación sobre redes una artificial
Semana: Redes neuronales neuronales
5 dirigidas a una
aplicación Desarrollo de casos aplicando
lo aprendido

Estructura de la red ● Videos / guías Modela y explica las

neuronal artificial. propiedades de una
Taxonomía de las Explicación sobre estructuras
red neuronal artificial.
redes neuronales. y taxonomía de las redes
Redes neuronales neuronales
Semana: supervisadas y no
6 supervisadas. Descripción de las funciones
Función base y de activación
activación
Desarrollo de casos aplicando
lo aprendido

Machine learning ● En base a la información Modela una red

compartida en el SIA y a la neuronal como
exposición Teórica, responde máquina de
a las preguntas que se le aprendizaje.
Semana: plantea. (Google Meet,
7 Jamboad)
● Identifica a través de
ejemplos la forma de modelar
una red neuronal como
máquina de aprendizaje
Deep learning ● Comprende la exposición Modela una red neuronal
teórica del tema y responde a de aprendizaje profundo.
las preguntas que se le
plantea. (Google Meet,
Semana: presentaciones, Jamboard)
8 ● Identifica a través de
ejemplos la forma de modelar
una red neuronal como
aprendizaje profundo

Historia de los ● En base a la revisión del Describe las propiedades

algoritmos genéticos. material compartido en el del algoritmo genético.
Semana: El algoritmo genético SIA, participa de un diálogo
9 como un modelo de
relacionado con la aplicación
optimización.
de los algoritmos genéticos
 como modelo de
optimización
Definiciones de ● A partir de la información Diseña, recolecta y
Semana: herencia y código compartida en el SIA, organiza datos para
10 genético participa en la presentación simular con el algoritmo
del tema genético
Selección, ● Atiende a las indicaciones que Aplica correctamente la
cruzamiento y se le da para desarrollar un simulación del algoritmo
Semana: mutaciones
caso aplicando las genético para la solución
11 de problemas.
operaciones de los algoritmos
genéticos
Unidad didáctica 3: Resultados de Aprendizaje 3: Desarrolla una aplicación en
Programación Lógica. programación lógica que emule el razonamiento del uso del
lenguaje natural.
Procesamiento del ● A partir de la información Aplica el cálculo
lenguaje natural. compartida en el SIA, proposicional para
Semana: Conectivos lógicos aspectos de
12 participa en la presentación
programación
del tema

Semana: Algebra de ● A partir de la información Construye predicados

13 proposiciones. compartida en el SIA, utilizando reglas de
Inferencia lógica. participa en la presentación inferencia.
Predicados,
del tema
Cuantificadores
Reglas de inferencia
lógica.
Semana: Programación lógica ● A partir de la información Desarrolla una aplicación
14 Término lógico. compartida en el SIA, con progresión lógica.
Sustituciones y participa en la presentación
estados. Sentencias.
del tema
Algoritmos.
Recursividad.
Listas
Semana: Presentación de su ● Sustenta su proyecto final. Aplica un paradigna de la
15 proyecto final (Google Meet) IA en el desarrollo de un
● Participa en el análisis y proyecto final
evaluación de los proyectos sustentable. Evidencia
sustentados. (Google Meet, Informe final del
documentos) proyecto.
Canal de entrega:
SIA
VI. Estrategias Metodológicas.

De acuerdo con la naturaleza del curso, los contenidos serán desarrollados en diferentes niveles de
aprendizajes aplicación, análisis, síntesis y evaluación a través de actividades diseñadas para mejorar
el aprendizaje. Se pondrá mucho énfasis en métodos activos y de aprendizaje significativo, se usarán
las siguientes estrategias metodológicas:

● Video Exposición Participativa o Dialogada: También llamada exposición didáctica, es un tipo de

clase expositiva que combina tres actividades: la exposición verbal docente, la interrogación y el
diálogo. Esta estrategia proporciona variedad y versatilidad a la tradicional exposición docente,
fomentando la participación del estudiante y compromiso hacia su propio proceso de
aprendizaje. (Google Meet)
● Intercambio de Ideas en un ambiente Virtual: Es un espacio de encuentro entre el docente y los
estudiantes para exponer ideas respecto a un tema o una situación. En este sentido, el docente
involucra a los estudiantes en la presentación de ideas u opiniones y en el análisis de contenidos,
de modo que participen activamente en el proceso de enseñanza-aprendizaje. (Foros)
● Método de Preguntas: Por medio de preguntas, llevar a los estudiantes a la discusión y análisis
de información pertinente al tema. (Google Meet, Foros)
● Exposición Virtual: Actividad que permite a los estudiantes presentar conceptos, hechos,
opiniones y/o comportamientos vinculados a un tema. En esta actividad, el recurso principal es
el lenguaje oral, aunque también puede serlo un texto escrito. (Google Meet, Presentaciones)
● Clase Invertida: Con el aula invertida, los estudiantes tienen acceso directo al conocimiento y el
docente actúa de entrenador y mentor. Con el modelo del aula invertida, los estudiantes tienen
que preparar sus momentos de contacto. Durante los momentos de contacto, los docentes
pueden enfocarse en la aplicación y la profundización del procesamiento del material de
aprendizaje.
● Lluvia de ideas: Se promueve una libre presentación de ideas sin restricciones ni limitaciones
sobre un tema determinado. (documento o presentación colaborativo de Google, Meet, Chat,
Mentimeter, Padlet, entre otros.)
● Aprendizaje basado en problemas: Los estudiantes trabajan en grupos para sintetizar y construir
el conocimiento para resolver los problemas que se le presentan y que por lo general son tomados
de situaciones reales.
● Proyecto colaborativo virtual: Actividad que se desarrollará de forma colaborativa entre
estudiantes con acompañamiento del docente, y en el que se enfrenta a los estudiantes a
situaciones problemáticas del mundo real, teniendo en cuenta una metodología de desarrollo y
resolución de estas. El objetivo considera que los estudiantes planteen propuestas, tales como
alternativas de solución a los problemas planteados e implementando los conocimientos y
herramientas impartidas en la asignatura.
● Desarrollo de casos: El estudiante debate, asimila y discute aspectos relevantes relacionados con
casos de estudio asignados. (Google Meet, Google Chat, Foros)
VII. Evaluación del aprendizaje.

Evaluación Resultados de Evidencias Instrumentos de Semana

Continua aprendizaje evaluación

1 Desarrollo de casos prácticos Ejercicios 1,2

EV- 1 Lista de cotejo
2 Desarrollo de casos de lógica Ejercicios 3,4
difusa Rúbrica
3 Desarrollo de casos prácticos Ejercicios
5,6,7
Lista de cotejo
EV- 2
3 Diseño de una red neuronal Ejercicios
7,8
Rúbrica
1 Desarrollo de casos prácticos de Ejercicios 9, 10,11
algoritmos genéticos Rúbrica
4 Desarrollo de casos prácticos de Ejercicios
12, 13, 14
EV- 3 programación lógica Rúbrica

4 Informe y sustentación del Estudio de caso.

proyecto final. Exposición.
15
(Rúbrica y/o Lista de
cotejo)

Consideraciones Generales para el Sistema de Evaluación y Calificación:

● El sistema de trabajo y de evaluación será por equipos de estudiantes agrupados desde el

inicio del semestre a quienes se les asignará un caso de estudio.
● El sistema de evaluación será continuo a lo largo del semestre académico, tanto individual
como grupal recogiéndose notas de los casos prácticos desarrollados.
● El sistema de calificación será en base al sistema vigesimal: de cero a 20.
● La calificación se hará en función a los casos prácticos desarrollados y de los trabajos grupales
asignados según lo establecido en las evidencias de evaluación de desempeño, las mismas
que se encuentran alineadas a algún indicador también de desempeño.
● Si un estudiante perteneciente a un equipo no contribuye en la elaboración de una tarea o
avance, pierde el derecho de exposición del mismo y la nota que se le registrará será de cero.
● Cada una de las tres evaluaciones promedio a registrase en el SIA, será obtenida en función
de las tareas asignadas a los equipos de trabajo. La nota final será calculada automáticamente
por el sistema en base al promedio de las tres evaluaciones parciales (Promedio de EV1, EV2
y EV3)
● Es requisito para la aprobación del curso, haber presentado los casos prácticos y final del caso
de estudio asignado además de contar con un promedio aprobatorio mínimo de 10.5 a lo
largo de la evaluación en todo el semestre.
VIII. Referencias.

Casas Roma, J., Bosch Rué, A., & Lozano Bagén, T. (2020). Deep learning: principios y fundamentos.
Barcelona: Editorial UOC.
García Infante, J. (2009). Sistemas con lógica difusa. México D.F.: Instituto Politécnico Nacional.
Kuri Morales, Á., & Galaviz Casas, J. (2002). Algoritmos Genéticos. México D.F.: Instituto Politécnico
Nacional.
Palma Méndez, J., & Marín Morales, R. (2008). Inteligencia artificial: métodos, técnicas y
aplicaciones. Madrid: McGraw-Hill España.
Ponce Cruz, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería. México D.F.: Alfaomega.
Torres Soler, L., & Garzón Torres, N. M. (2018). Bases de conocimiento con Prolog. Bogotá: Editorial
Universidad Autónoma Colombia.

_____________________________ ____________________________

Ing. Fidel Romero Zegarra Ing. Lisi Vásquez Fernández