Inteligencia Artificial ( IA )

• ESPÍRITU EMPRENDEDOR E INNOVADOR

• G1 - Conocer y comprender la organización de una empresa y las ciencias que rigen su actividad; capacidad de comprender las reglas laborales y las relaciones entre la planificación, las estrategias industriales y comerciales, la calidad y el beneficio. Desarrollar la creatividad, el espíritu emprendedor y la tendencia a la innovación.
  
• G1.3 - Ser resolutivo. Utilizar conocimientos y habilidades estratégicas para la creación y gestión de proyectos, aplicar soluciones sistémicas a problemas complejos, y diseñar y gestionar la innovación en la organización. Demostrar flexibilidad y profesionalidad en el desarrollo de su trabajo.
  (Nivel de desarrollo:bastante)

• TRABAJO EN EQUIPO

• G5 - Ser capaz de trabajar como miembro de un equipo, ya sea como un miembro más, o realizando tareas de dirección con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.
  
• G5.3 - Identificar los papeles, habilitados y carencias de los diferentes miembros del grupo. Proponer mejoras en la estructura del grupo. Interactuar con eficacia y de forma profesional. Negociar y gestionar conflictos en el grupo. Reconocer y dar soporte o asumir el papel de líder en el grupo de trabajo. Evaluar y presentar los resultados del trabajo de grupo. Representar al grupo en negociaciones con terceros. Capacidad de colaborar en un entorno multidisciplinar. Conocer y saber aplicar las técnicas para promover la creatividad.
  (Nivel de desarrollo:en profundidad)

• ESPECIALIDAD DE COMPUTACIÓN

• CCO2 - Desarrollar de forma efectiva y eficiente los algoritmos y el software apropiados para resolver problemas complejos de computación.
  
• CCO2.1 - Demostrar conocimiento de los fundamentos, los paradigmas y las técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen estas técnicas en cualquier ámbito de aplicación.
  (Nivel de desarrollo:bastante)
• CCO2.2 - Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano de una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
  (Nivel de desarrollo:un poco)
• CCO2.4 - Demostrar conocimiento y desarrollar técnicas de aprendizaje computacional, y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a la extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
  (Nivel de desarrollo:un poco)

1. Conocer los orígenes y las bases de la inteligencia artificial.
   
   Competencias relacionadas
   • CCO2.1
2. Entender los conceptos básicos: inteligencia artificial y racionalidad.
   
   Competencias relacionadas
   • CCO2.1
3. Conocer diferentes técnicas de resolución de problemas basadas en búsqueda.
   
   Competencias relacionadas
   • CCO2.1
4. Entender los conceptos y técnicas de representación del conocimiento.
   
   Competencias relacionadas
   • CCO2.1
5. Analizar un problema y determinar qué técnicas de resolución de problemas son las más adecuadas.
   
   Competencias relacionadas
   • G1.3,
   • G5.3,
   • CCO2.2
6. Analizar las necesidades de conocimiento para resolver un problema.
   
   Competencias relacionadas
   • G5.3,
   • CCO2.1,
   • CCO2.2
7. Extraer y representar el conocimiento necesario para construir una aplicación en el ámbito de los sistemas basados en el conocimiento.
   
   Competencias relacionadas
   • G5.3,
   • CCO2.2
8. Analizar un problema y determinar qué técnicas de representación y razonamiento son las más adecuadas.
   
   Competencias relacionadas
   • G1.3,
   • G5.3,
   • CCO2.1,
   • CCO2.2
9. Entender los conceptos y técnicas básicas de planificación.
   
   Competencias relacionadas
   • CCO2.1
10. Extraer y representar las acciones necesarias para resolver un problema mediante un planificador.
    
    Competencias relacionadas
    • CCO2.2
11. Entender el concepto de aprendizaje y conocer algunos de sus tipos.
    
    Competencias relacionadas
    • CCO2.1,
    • CCO2.4
12. Entender la relación entre adaptación y aprendizaje.
    
    Competencias relacionadas
    • CCO2.1,
    • CCO2.4
13. Aplicar técnicas de aprendizaje automático a problemas sencillos.
    
    Competencias relacionadas
    • CCO2.4
14. Conocer algunas de las areas de aplicación de la inteligencia artificial.
    
    Competencias relacionadas
    • G1.3,
    • G5.3,
    • CCO2.1

Leyenda

Activitat	Actividad de tipo Acto evaluativo	T	P	L	AA	AD
Actividad	Actividad de tipo Acto evaluativo	Horas de Teoría	Horas de Problemas	Horas de Laboratorio	Horas de Aprendizaje Autónomo	Horas de Aprendizaje Dirigido

Introducción a la Inteligencia Artificial	T	P	L	AA	AD	Total
	2.0	0.0	0.0	2.0	0.0	4.0
Alumno: El alumno conocerá los orígenes y las bases de la Inteligencia Artificial así como algunas de las áreas de aplicación. Para reforzar el aprendizaje del alumno deberá leer el capítulo 1 del libro de Russel y Norvig, disponible on-line. Objetivos: 1, 2, 15 Contenidos 2. Resolución de Problemas mediante Búsqueda

Resolución de Problemas mediante Búsqueda	T	P	L	AA	AD	Total
	10.0	6.0	5.0	31.0	0.0	52.0
Alumno: El alumno no sólo deberá atender a las exposiciones del profesor, sino también hacer ejercicios prácticos sobre el uso de los algoritmos de Búsqueda, y participar en las discusiones con el profesor y sus compañeros sobre cuándo es mejor utilizar cada uno de los algoritmos. En el laboratorio el alumno deberá aplicar lo aprendido a un problema de dificultad media. Objetivos: 3, 5, 6 Contenidos 1. Resolución de Problemas mediante Búsqueda

Entrega práctica Búsqueda.	T	P	L	AA	AD	Total
	-	-	-	0.0	0.0	0.0
Entrega del informe sobre la práctica de algoritmos de búsqueda que los alumnos han realizado en las sesiones de laboratorio. Setmana 6 Tipo Examen: Entrevista/Entrega prácticas Objetivos: 3, 5

Parcial de IA	T	P	L	AA	AD	Total
	1.0	-	-	0.0	-	1.0
Parcial sobre resolución de problemas Setmana 7 Tipo Examen: Control de teoria Objetivos: 3, 5, 6

Representación del conocimiento y razonamiento	T	P	L	AA	AD	Total
	8.0	5.0	7.0	25.5	0.0	45.5
Alumno: El alumno no sólo deberá atender a las exposiciones del profesor, sino también hacer ejercicios prácticos sobre el uso de las técnicas de Representación del Conocimiento, y participar en las discusiones con el profesor y sus compañeros sobre cuándo es mejor utilizar cada de las técnicas. En el laboratorio el alumno deberá aplicar lo aprendido a un problema de dificultad media. Objetivos: 4, 6, 7 Contenidos 3. Representación del conocimiento y razonamiento

Resolución de Problemas mediante Planificación	T	P	L	AA	AD	Total
	4.0	2.0	3.0	9.0	0.0	18.0
Alumno: El alumno no sólo deberá atender a las exposiciones del profesor, sino también hacer ejercicios prácticos sobre el uso de los algoritmos de Planificación, y participar en las discusiones con el profesor y sus compañeros sobre cuándo es mejor utilizar cada uno de los algoritmos. En el laboratorio el alumno deberá aplicar lo aprendido a un problema de dificultad baja. Objetivos: 6, 9, 10 Contenidos 4. Planificación

Entrega práctica Representación del Conocimiento.	T	P	L	AA	AD	Total
	-	-	-	0.0	0.0	0.0
Entrega del informe de la práctica sobre Representación del Conocimiento que los alumnos han desarrollado en el laboratorio. Setmana 12 Tipo Examen: Entrevista/Entrega prácticas Objetivos: 4, 6, 7, 8

Aprendizaje Automático	T	P	L	AA	AD	Total
	3.0	2.0	0.0	9.0	0.0	14.0
Alumno: El alumno no sólo deberá atender a las exposiciones del profesor, sino también hacer ejercicios prácticos sobre el uso de los algoritmos básicos de Aprendizaje Automático, y participar en las discusiones con el profesor y sus compañeros sobre cuándo es mejor utilizar estos algoritmos. Objetivos: 11, 12, 13 Contenidos 5. Aprendizaje Automático

Entrega del trabajo de innovación.	T	P	L	AA	AD	Total
	-	-	-	0.0	0.0	0.0
Entrega del informe sobre ejemplos de innovación empresarial relacionada con el uso de técnicas de Inteligencia Artificial. Setmana 14 Tipo Examen: Entrevista/Entrega prácticas Objetivos: 2, 15

Otras técnicas, áreas y aplicaciones de la Inteligencia Artificial	T	P	L	AA	AD	Total
	2.0	0.0	0.0	7.5	4.0	13.5
Alumno: El alumno no sólo deberá atender a las exposiciones del profesor, sino también participar en las discusiones con el profesor y sus compañeros sobre el impacto potencial que han tenido las técnicas de Inteligencia Artificial sobre las empresas analizadas en los trabajos de innovación que los alumnos han hecho durante el curso. Objetivos: 15 Contenidos 6. Otras técnicas, áreas y aplicaciones de la Inteligencia Artificial

Examen final de IA	T	P	L	AA	AD	Total
	-	-	-	0.0	2.0	2.0
Examen final de todos los contenidos del curso. Setmana 15-18 Tipo Examen: Examen final Objetivos: 5, 6, 7, 8, 10, 13

Total por tipo	T	P	L	AA	AD	Total
	30.0	15.0	15.0	84.0	6.0	150.0

Las clases están divididas en sesiones de teoría, problemas y laboratorio.

En las sesiones de teoría se desarrollarán los conocimientos de la asignatura, intercalando la exposición de nuevo material teórico con ejemplos y la interacción con los alumnos para discutir los conceptos.

Las clases de problemas permitirán profundizar en las técnicas y algoritmos explicados en las sesiones de teoría. Se estimulará la participación del alumno para comentar las alternativas posibles.

En las clases de laboratorio se desarrollarán pequeñas prácticas utilizando herramientas y lenguajes propios de la Inteligencia Artificial que permitirán practicar y reforzar los conocimientos de las clases de teoría.

Tipo de evaluación

Asignatura que se evalua en periodo de examenes

La evaluación constará de un examen parcial, un examen final, una nota del trabajo sobre innovación y una nota de laboratorio.

El examen parcial no es liberador de materia y se hará en horas de clase. Las personas que no aprueben o no hagan el examen parcial serán evaluadas sólo con la nota del examen final.

La nota del trabajo sobre innovación provendrá de un trabajo en grupos donde hay que buscar ejemplos de innovación empresarial relacionada con el uso de técnicas de Inteligencia Artificial, y que se presentará en clase.

La nota de laboratorio provendrá de los informes que se harán de las prácticas realizadas.

El cálculo de la nota final se hará de la siguiente manera:

NP = nota del parcial
NF = nota del examen final
NL = nota de laboratorio
NI = nota del trabajo de innovación

NOTA = max ((NP*0.3 + NF*0.4), NF*0.7) + NL*0.25 + NI*0.05

Evaluación de las competencias

La evaluación de la competencia sobre espíritu emprendedor e innovador se basa en el trabajo realizado durante las prácticas de laboratorio y el trabajo de innovación. La nota ABCD se calcula a partir de una rúbrica detallada que se dará a los alumnos al inicio del curso.

La evaluación de la competencia sobre trabajo en equipo también se basa en el trabajo realizado durante las prácticas de laboratorio y el trabajo de innovación. La nota ABCD se calcula a partir de una rúbrica detallada que se dará a los alumnos al inicio del curso.

Peso de las competéncias transversales en la evaluación de la parte específica de la asignatura

• 5.0 % - Ser resolutivo. Utilizar conocimientos y habilidades estratégicas para la creación y gestión de proyectos, aplicar soluciones sistémicas a problemas complejos, y diseñar y gestionar la innovación en la organización. Demostrar flexibilidad y profesionalidad en el desarrollo de su trabajo.
• 5.0 % - Identificar los papeles, habilitados y carencias de los diferentes miembros del grupo. Proponer mejoras en la estructura del grupo. Interactuar con eficacia y de forma profesional. Negociar y gestionar conflictos en el grupo. Reconocer y dar soporte o asumir el papel de líder en el grupo de trabajo. Evaluar y presentar los resultados del trabajo de grupo. Representar al grupo en negociaciones con terceros. Capacidad de colaborar en un entorno multidisciplinar. Conocer y saber aplicar las técnicas para promover la creatividad.

• RUSSELL, Stuart; NORVIG, Peter , Artificial Intelligence: A Modern Approach (third edition) , Prentice Hall , 2009 .



• BRACHMAN, Ronald; LEVESQUE, Hector , Knowledge Representation and Reasoning , Morgan Kaufmann , 2004 .



• LUGER, George F. , Artificial Intelligence : structures and strategies for complex problem solving, , Addison Wesley Longman , 2005 .



• KOLLER, Daphne; FRIEDMAN, Nir , Probabilistic Graphical Models: Principles and Techniques , The MIT press , 2009 .

• NILSSON, Nils J. , Artificial Intelligence : a new synthesis , Morgan Kaufmann Publishers , 1998 .



• ESCOLANO, Francisco; CAZORLA, M.; ALFONSO, M.; COLOMINA, O.; LOZANO, M. , Inteligencia artificial : modelos, técnicas y áreas de aplicación , Thomson , 2003 .



• GONZALEZ, Avelino J.; DANKEL, Douglas D. , The Engineering of knowledge-based systems : theory and practice , Prentice Hall , 1993 .



• DECHTER, Rina , Constraint processing , Morgan Kaufmann Publishers , 2003 .



• MITCHELL, Tom M. , Machine learning , The McGraw-Hill Companies , 1997 .



• HECHT-NIELSEN, Robert , Neurocomputing , Addison-Wesley , 1990 .

http://www.lsi.upc.edu/~jvazquez/teaching/iag/ia.html

1. http://www.cs.berkeley.edu/%7Erussell/aima1e/chapter01.pdf
   Capítol 1 del libre "Artificial Intelligence: A Modern Approach".
2. http://en.wikipedia.org/wiki/Turing_test
   El test de Turing.
3. http://plato.stanford.edu/entries/chinese-room/
   La habitació xinesa.
4. http://protege.stanford.edu/publications/ontology_development/ontology101.pdf
   Tutorial sobre creació d'ontologies: "Ontology Development 101: A Guide to Creating Your First Ontology".

Capacidades previas sobre Lógica adquiridas en la asignatura Fundamentos Matemáticos (FM):
- Conocimiento de los conceptos básicos de lógica de proposiciones y predicados
- Capacidad de formular un problema en términos lógicos.
- Conocimientos sobre Inferencia lógica y resolución. Entender las estrategias de resolución.

Capacidades previas sobre Algorítmica adquiridas en la asignatura Estructura de Datos y Algoritmos (EDA):
- Conocimiento de las estructuras de árboles y grafos,
- Conocimiento de los algoritmos de recorrido y búsqueda sobre árboles y grafos.
- Nociones básicas de complejidad algorítmica.