Intel·ligència Artificial

Esteu aquí

Crèdits
6
Tipus
Obligatòria d'especialitat (Computació)
Requisits
  • Corequisit: PROP
  • Prerequisit: EDA
Departament
CS
La intel·ligència artificial és una ciència multi-disciplinar que combina conceptes i mètodes d'àrees molt diverses com la matemàtica, la informàtica, la filosofia, la psicologia i la biologia, entre d'altres. El seu objectiu principal és dotar a un sistema computacional de característiques o comportaments que simulin la intel·ligència. Amb més de 60 anys d'història com a disciplina científica, ha traspassat al mon de la industria per crear sistemes de suport a la presa de decisions, sistemes de diagnosi, mecanismes de control automàtic, robòtica industrial i domèstica, per citar-ne alguns. En l'actualitat, la emergència de les tecnologies web i la disponibilitat de dispositius mòbils cada cop més potents ha impulsat encara més la intel·ligència artificial, convertint-se en un poderós mecanisme per crear sistemes que redueixin la dificultat de trobar i utilitzar informació o aplicacions en xarxa, o fins i tot ser la base per crear noves aplicacions i productes d'èxit. El motor de cerca de Google, el sistema recomanador d'Amazon, els vehicles de conducció autònoma o la última generació de videojocs que s'adapten a la forma de jugar de l'usuari en son bons exemples. En aquest curs es vol donar una visió general de la intel·ligència artificial, presentant els tipus de problemes que es poden resoldre, els fonaments teòrics, les tècniques bàsiques i com aplicar-les. L'enfocament de l'assignatura serà un equilibri entre teoria i aplicació pràctica.

Professors

Responsable

  • Javier Vazquez Salceda ( )

Altres

  • Javier Béjar Alonso ( )
  • Maria Teresa Abad Soriano ( )

Hores setmanals

Teoria
2
Problemes
1
Laboratori
1
Aprenentatge dirigit
0.4
Aprenentatge autònom
5.6

Competències

Competències Transversals

Treball en equip

  • G5 - Ser capaç de treballar com a membre d'un equip, ja sigui com a un membre més, ja sigui realitzant tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes d'una manera pragmàtica i amb sentit de la responsabilitat; assumir compromisos tenint en compte els recursos disponibles.
    • G5.3 - Identificar els rols, les habilitats i les carències dels diferents membres del grup. Proposar millores en l'estructura del grup. Interactuar amb eficàcia i professionalitat. Negociar i gestionar conflictes en el grup. Reconèixer i donar suport o assumir el paper de líder en el grup de treball. Avaluar i presentar els resultats del treball de grup. Representar el grup en negociacions amb terceres persones. Capacitat de col·laborar en un entorn multidisciplinar. Conèixer i saber aplicar les tècniques per a promoure la creativitat.

Emprenedoria i innovació

  • G1 - Conèixer i comprendre l'organització d'una empresa i les ciències que regeixen la seva activitat; capacitat de comprendre les regles laborals i les relacions entre la planificació, les estratègies industrials i comercials, la qualitat i el benefici. Desenvolupar la creativitat, l'esperit emprenedor i la tendència a la innovació.
    • G1.3 - Ser resolutiu. Utilitzar coneixements i habilitats estratègiques per a la creació i la gestió de projectes, aplicar solucions sistèmiques a problemes complexos, i dissenyar i gestionar la innovació en la organització. Demostrar flexibilitat i professionalitat en el desenvolupament de la seva feina.

Competències Tècniques de cada especialitat

Especialitat computació

  • CCO2 - Desenvolupar de forma efectiva i eficient els algorismes i el software apropiats per a resoldre problemes complexos de computació.
    • CCO2.1 - Demostrar coneixement dels fonaments, dels paradigmes i de les tècniques pròpies dels sistemes intel·ligents, i analitzar, dissenyar i construir sistemes, serveis i aplicacions informàtiques que utilitzin aquestes tècniques en qualsevol àmbit d'aplicació.
    • CCO2.2 - Capacitat per a adquirir, obtenir, formalitzar i representar el coneixement humà d'una forma computable per a la resolució de problemes mitjançant un sistema informàtic en qualsevol àmbit d'aplicació, particularment en els que estan relacionats amb aspectes de computació, percepció i actuació en ambients o entorns intel·ligents.
    • CCO2.4 - Demostrar coneixement i desenvolupar tècniques d'aprenentatge computacional; dissenyar i implementar aplicacions i sistemes que les utilitzin, incloent les que es dediquen a l'extracció automàtica d'informació i coneixement a partir de grans volums de dades.

Objectius

  1. Conèixer els orígens i les bases de la intel·ligència artificial.
    Related competences: CCO2.1,
  2. Entendre els conceptes bàsics: intel·ligència artificial i racionalitat.
    Related competences: CCO2.1,
  3. Conèixer diferents tècniques de resolució de problemes basades en cerca.
    Related competences: CCO2.1,
  4. Entendre els conceptes i tècniques de representació del coneixement.
    Related competences: CCO2.1,
  5. Analitzar un problema i determinar quines tècniques de resolució de problemes són les més adequades.
    Related competences: G1.3, G5.3, CCO2.2,
  6. Analitzar les necessitats de coneixement per a resoldre un problema.
    Related competences: G5.3, CCO2.1, CCO2.2,
  7. Extreure i representar el coneixement necessari per a construir una aplicació dins de l'àmbit dels sistemes basats en el coneixement.
    Related competences: G5.3, CCO2.2,
  8. Analitzar un problema i determinar quines tècniques de representació i raonament són les més adequades.
    Related competences: G1.3, G5.3, CCO2.1, CCO2.2,
  9. Entendre els conceptes i tècniques bàsiques de planificació.
    Related competences: CCO2.1,
  10. Extreure i representar les accions necessàries per a resoldre un problema mitjançant un planificador.
    Related competences: CCO2.2,
  11. Entendre el concepte d'aprenentatge i conèixer alguns dels seus tipus.
    Related competences: CCO2.1, CCO2.4,
  12. Entendre la relació entre adaptació i aprenentatge.
    Related competences: CCO2.1, CCO2.4,
  13. Aplicar tècniques d'aprenentatge automàtic a problemes senzills.
    Related competences: CCO2.4,
  14. Conèixer algunes de les àrees d'aplicació de la intel·ligència artificial.
    Related competences: G1.3, G5.3, CCO2.1,

Continguts

  1. Resolució de Problemes mitjançant Cerca
    Introducció a les metodologies de resolució automática de problemes: Representació com espai d'estats, algorismes de búsqueda informada i local, algorismes genètics, jocs i problemes de satisfacció de restriccions.
  2. Representació del coneixement i raonament
    Introducció a les tècniques de representació al coneixement. Motivació. Representacions procedimentals i sistemes de producció. Representacions estructurades (ontologies). Incertesa en el coneixement.
  3. Planificació
    Introducció a la resolució de problemes mitjançant planificació. Planificació lineal i jeràrquica. Planificació en entorns deterministes i estocàstics.
  4. Aprenentatge Automàtic
    L'aprenentatge automàtic i el seu rol en sistemes que s'adaptin a l'usuari o a l'entorn. Tipus d'aprenentatge. Aprenentatge d'arbres de decisió. Xarxes Neurals Artificials.
  5. Altres tècniques, àrees i aplicacions de la Intel∙ligència Artificial
    Mineria de Dades, Raonament Basat en Casos, Raonament Qualitatiu, Sistemes Multiagents, Tractament Automatic de Textos i de la Parla, Percepció i Visió Automàtica, Sistemes Recomanadors, Sistemes Tutors Intel·ligents, Intel·ligència Artificial en entorns de Web Services, Grid Computing i Cloud Computing.

Activitats

Activitat Acte avaluatiu


Introducció a la Intel∙ligència Artificial

L'alumne coneixerà els orígens i les bases de la Intel·ligència Artificial així com algunes de les arees d'aplicació. Per reforçar l'aprenentatge l'alumne haurà de llegir el capítol 1 del llibre de Russel i Norvig, disponible on-line.
Objectius: 2 1 14
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
2h

Resolució de Problemes mitjançant Cerca

L'alumne no només haurà d'atendre a les exposicions del professor, sino també fer exercicis pràctics sobre l'ús dels algorismes de Cerca, i participar a les discussions amb el professor i els seus companys sobre quan és millor utilitzar cadascun dels algorismes. Al laboratori l'alumne haurà d'aplicar el que ha aprés a un problema de dificultat mitjana.
Objectius: 3 5 6
Continguts:
Teoria
10h
Problemes
6h
Laboratori
5h
Aprenentatge dirigit
0h
Aprenentatge autònom
31h

Entrega pràctica Cerca.

Entrega de l'informe sobre la pràctica d'algorismes de Cerca que els alumnes han realitzat a les sessions de laboratori.
Objectius: 3 5
Setmana: 6
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Parcial d'IA

Parcial sobre resolució de problemes
Objectius: 3 5 6
Setmana: 7
Tipus: examen de teoria
Teoria
1h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Representació del coneixement i raonament

L'alumne no només haurà d'atendre a les exposicions del professor, sinó també fer exercicis pràctics sobre l'ús de les tècniques de Representació del Coneixement, i participar a les discussions amb el professor i els seus companys sobre quan és millor utilitzar cadascuna de les tècniques. Al laboratori l'alumne haurà d'aplicar el que ha aprés a un problema de dificultat mitjana.
Objectius: 4 6 7
Continguts:
Teoria
8h
Problemes
5h
Laboratori
7h
Aprenentatge dirigit
0h
Aprenentatge autònom
25.5h

Resolució de Problemes mitjançant Planificació

L'alumne no només haurà d'atendre a les exposicions del professor, sinó també fer exercicis pràctics sobre l'ús dels algorismes de Planificació, i participar a les discussions amb el professor i els seus companys sobre quan és millor utilitzar cadascun dels algorismes. Al laboratori l'alumne haurà d'aplicar el que ha aprés a un problema de dificultat baixa.
Objectius: 6 9 10
Continguts:
Teoria
4h
Problemes
2h
Laboratori
3h
Aprenentatge dirigit
0h
Aprenentatge autònom
9h

Entrega pràctica Representació del Coneixement.

Entrega de l'informe de la pràctica sobre Representació del Coneixement que els alumnes han desenvolupat al laboratori.
Objectius: 4 6 7 8
Setmana: 12
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Aprenentatge Automàtic

L'alumne no només haurà d'atendre a les exposicions del professor, sinó també fer exercicis pràctics sobre l'ús dels algorismes bàsics d'Aprenentatge Automàtic, i participar a les discussions amb el professor i els seus companys sobre quan és millor utilitzar aquests algorismes.
Objectius: 11 12 13
Continguts:
Teoria
3h
Problemes
2h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
9h

Entrega del treball d'innovació.

Entrega de l'informe sobre exemples d'innovació empresarial relacionada amb l'ús de tècniques d'Intel·ligència Artificial.
Objectius: 2 14
Setmana: 14
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Altres tècniques, àrees i aplicacions de la Intel·ligència Artificial

L'alumne no només haurà d'atendre a les exposicions dels seus companys, sinó també participar a les discussions amb el professor i els seus companys sobre l'impacte potencial que han tingut les tècniques d'Intel·ligència Artificial sobre les empreses analitzades en els treballs d'innovació que els alumnes han fet durant el curs.
Objectius: 14
Continguts:
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
4h
Aprenentatge autònom
7.5h

Examen final d'IA

Examen final dels continguts del curs.
Objectius: 5 6 7 8 10 13
Setmana: 15 (Fora d'horari lectiu)
Tipus: examen final
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2h
Aprenentatge autònom
0h

Metodologia docent

Les clases estan dividides en sessions de teoria, problemes i laboratori.

A les sessions de teoria es desenvoluparan els coneixements de l'assignatura, intercalant l'exposició de nou material teòric amb exemples i la interacció amb els alumnes per tal de discutir els conceptes.

Les classes de problemes permetran aprofondir en les técniques i algorismes explicats a les sessions de teoria. S'estimularà la participació de l'alumne per tal de comentar les alternatives possibles.

A les clases de laboratori es desenvoluparan petites pràctiques utilitzant eines i llenguatges propis de la Intel·ligència Artificial que permetran practicar i reforçar els coneixements de les classes de teoria.

Mètode d'avaluació

L'avaluació constarà d'un examen parcial, un exàmen final, una nota del treball sobre innovació i una nota de laboratori.

L'examen parcial no és alliberatori i es farà a hores de clase. Les persones que no aprovin o no facin l'examen parcial seran avaluades només amb la nota de l'examen final.

La nota del treball sobre innovació provindrà d'un treball en grups a on s'ha de buscar exemples d'innovació empresarial relacionada amb l'ús de tècniques d'Intel·ligència Artificial, i que es presentarà a classe.

La nota de laboratori provindrà dels informes que es faran de les pràctiques realitzades.

El càlcul de la nota final es farà de la següent manera:

NP = nota del parcial
NF = nota de l'examen final
NL = nota de laboratori
NI = nota del treball d'innovació

NOTA = max ((NP*0.2 + NF*0.4), NF*0.6) + NL*0.35 + NI*0.05

Avaluació de les competències

La avaluació de la competència sobre emprenedoria i innovació es basa en el treball realitzat durant les pràctiques de laboratori i el treball d'innovació. La nota A B C D es calcula a partir d'una rúbrica detallada que es donarà als alumnes a l'inici de curs.


La avaluació de la competència sobre treball en equip també es basa en el treball realitzat durant les pràctiques de laboratori i el treball d'innovació. La nota A B C D es calcula a partir d'una rúbrica detallada que es donarà als alumnes a l'inici de curs.

Bibliografia

Bàsica:

Complementaria:

Web links

Capacitats prèvies

Capacitats prèvies sobre Lògica adquirides a l'assignatura Fonaments Matemàtics (FM):
- Coneixement dels conceptes bàsics de lògica de proposicions i predicats
- Capacitat de formular un problema en termes lògics.
- Coneixements sobre Inferència lògica i resolució. Entendre les estratègies de resolució.

Capacitats prèvies sobre Algorísmica adquirides a l'assignatura Estructura de Dades i Algorismes (EDA):
- Coneixement de les estructures d'arbres i grafs,
- Coneixement dels algorismes de recorregut i cerca sobre arbres i grafs.
- Nocions bàsiques de complexitat algorísmica.