Inteligencia Artificial (IA)

Presentar un panorama de los problemas que trata la inteligencia artificial, así como de los fundamentos teóricos y las formas de aplicación de las técnicas generales que incluye. Se tratarán las dos áreas básicas de la inteligencia artificial: la resolución de problemas (incluyendo el espacio de estados, la búsqueda heurística y la satisfacción de restricciones) y la representación del conocimiento. Para completar la visión del área se presentarán los dos temas que tienen actualmente un mayor grado de presencia en el ámbito de las aplicaciones y de la investigación: el tratamiento del lenguaje natural y los sistemas basados en el conocimiento. El enfoque de la asignatura será práctico.

Conocimientos

1. Alcance y necesidad de las técnicas de Inteligencia Artificial.
2. Conceptos básicos sobre resolución de problemas y representación del conocimiento.
3. Conceptos básicos de sistemas basados en el conocimiento, diseño y construcción de sistemas basados en el conocimiento.
4. Conceptos básicos de las técnicas de tratamiento del lenguaje natural, utilización de herramientas y análisis de aplicaciones.
5. Conocimiento básico de los lenguajes que se usan en las aplicaciones de Inteligencia Artificial.

Habilidades

1. Analizar un problema y determinar qué técnicas de inteligencia artificial son las más adecuadas.
2. Analizar las necesidades de conocimiento necesarias para resolver un problema.
3. Extraer y representar el conocimiento necesario para construir una aplicación dentro de los ámbitos de los sistemas basados en el conocimiento y el tratamiento del lenguaje natural.

Competencias

1. Capacidad para resolver problemas aplicando los métodos de la ciencia y la ingeniería
2. Capacidad para crear y utilizar modelos de la realidad.
3. Capacidad para diseñar y realizar experimentos, y analizar los resultados.
4. Saber aplicar el ciclo de resolución de problemas típico de la ciencia y la ingeniería: especificación, generación de ideas y alternativas, diseño de una estrategia de solución, ejecución de la estrategia, validación, interpretación y evaluación de los resultados. Capacidad para analizar el proceso una vez finalizado.
5. Capacidad para argumentar lógicamente las decisiones tomadas, el trabajo hecho o un punto de vista. Capacidad para dar opiniones, razonamientos y justificaciones fundadas con tal de convencer.
6. Capacidad de análisis y de síntesis.

Las clases están divididas en sesiones de teoría, problemas y laboratorio. En las sesiones de teoría se desarrollarán los conocimientos de la asignatura. Las clases de problemas permitirán profundizar en las técnicas y algoritmos explicados en las sesiones de teoría.

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.

La evaluación constará de un examen parcial, un examen final y una nota de laboratorio.

El examen parcial no liberará temario 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 de laboratorio provendrá de los informes que se harán de las prácticas realizadas. El trabajo contnuado durante las sesiones de laboratorio puede subir la nota final de laboratorio.

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

Nota Final= max (Nota examen parcial* 0.15 + Nota examen final * 0.55, Nota examen final * 0.7)+ Nota laboratorio * 0.3

Adicionalmente se pueden proponer trabajos voluntarios extra que pueden subir hasta un punto adicional la nota final de la asignatura.

• Russell, S. & Norvig. P Artificial Intelligence a Modern Approach, Prentice Hall, 2003.
• Luger, G, Stubblefield, W Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Addison-Wesley, 1998.
• R. Mitkov (editor) The Oxford handbook of Computational Linguistics, Oxford University Press, 2003.
• Giarratano, Joseph C., Riley, Gary D. Expert Systems: Principles and Programming, Brooks/Cole, 2003.
• PALMA, Jose, MARIN, Roque Inteligencia Artificial: Técnicas, métodos y aplicaciones, McGraw Hill, 2008.

• Nilsson, N. Artificial Intelligence: A new Synthesis, Morgan Kauffman, 1998.
• Escolano, F. et al Inteligencia Artificial. Modelos, técnicas y áreas de aplicación, Thomson , 2003.
• Gonzalez, A.J., Dankel, D.D. The engineering of Knowledge-Based Systems, Prentice-Hall, 1993.
• Allen, J. Natural Language Understanding, Benjamin/CummingsPublishing Company, 195.
• Clocksin, W.F., Mellish, C.S. Programming in Prolog, Springer Verlag, 1987.
• Dechter, Rina Constraint processing, Morgan Kaufmann Publishers , .
• Jackson, P. Introduction to Expert Systems, Addison-Wesley, 1990.

1. http://www.lsi.upc.es/~bejar/ia/ia.html
   

- Conceptos básicos de lógica de proposiciones y predicados.
- Capacidad para formular un problema en términos lógicos.
- Inferencia lógica. Resolución. Estrategias de resolución.
- Estructuras de árboles y grafos, algoritmos de recorrido y búsqueda.
- Nociones básicas de complejidad.

Por lo tanto, se propone que para cursar IA haga falta haber superado Introducción a la Lógica y Análisis de Datos y Algoritmos.