Aplicaciones de la Inteligencia Artificial (AIA)

El objetivo de la asignatura es complementar y ampliar los conceptos aprendidos en la asignatura obligatoria Inteligencia Artificial y las asignaturas optativas Aprendizaje y Procesamiento del Lenguaje Natural. Para lograr este objetivo la asignatura se irá adaptando y actualizando cada cuatrimestre. Para un mejor aprovechamiento de los conocimientos, esta asignatura tiene una vertiente eminentemente práctica y ofrece al estudiante un conjunto de problemas que ha de resolver e implementar. En los últimos cursos la asignatura ha hecho hincapié en los agentes autónomos y su aplicación al comercio electrónico. Dada la importancia del componente práctico, éste tendrá un peso considerable en el método de evaluación. Al final de esta asignatura el estudiante tendrá una visión más profunda de los métodos de la inteligencia artificial y su aplicabilidad al mundo real.

Conocimientos

1. Conocimientos teóricos y prácticos sobre temas avanzados de Inteligencia Artificial: Tecnologías de agentes, búsqueda avanzada, representación del conocimiento, lógicas para la Inteligencia Artificial, planificación...
2. Conocimiento sobre metodologías para el desarrollo de aplicaciones de Inteligencia Artificial.
3. Conocimientos sobre aplicaciones reales de Inteligencia Artificial.

Habilidades

1. Identificar las necesidades de usar técnicas de Inteligencia Artificial para resolver un problema.
2. Analizar un problema y determinar qué técnicas de Inteligencia Artificial son más adecuadas para una aplicación.
3. Uso y aplicación de herramientas y metodologías propias de la Inteligencia Artificial.

Competencias

1. Capacidad para resolver problemas aplicando los métodos de la ciencia y la ingeniería.
2. Capacidad para crear y usar modelos de la realidad.
3. 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 ha finalizado.
4. Capacidad para argumentar lógicamente las decisiones tomadas, el trabajo hecho o un punto de vista. Capacidad para dar opiniones, razonamientos y justificaciones fundadas con el objetivo de convencer.
5. Capacidad para tomar decisiones en presencia de incertidumbre o de requisitos contradictorios.
6. Capacidad para relacionar y estructurar información de diversas fuentes, para integrar ideas y conocimientos.

La metodología consistirá en la exposición de la teoría en clases de teoría y la aplicación de los conceptos en las clases de problemas y laboratorio.

La evaluación consta de un examen final, un examen parcial, problemas hechos durante el curso y una nota de laboratorio. Los exámenes final y parcial estarán enfocados a evaluar los conocimientos teóricos y metodológicos de la asignatura. La nota de problemas se obtendrá mediante la entrega de pequeños problemas propuestos durante el curso. La nota de laboratorio se obtendrá de la evaluación de los informes realizados sobre un conjunto de prácticas de laboratorio que se desarrollarán a lo largo del curso.

A mediados del cuatrimestre habrá un examen parcial que liberará la primera parte del temario (en caso de obtener una nota mínima de 5). El examen final evaluará tanto la primera como la segunda parte del curso. La primera es obligatoria para los estudiantes que no superaron el examen parcial y optativa para los demás. Como nota de la primera parte se cogerá el máximo de las dos notas obtenidas o la única obtenida en el parcial, según sea el caso.





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



NPar = nota examen parcial

NEx1 = nota primera parte examen final

NEx2 = nota segona parte examen final



Nota Examen = [máximo(Npar, NEx1) + NEx2]/2



Nota final= Nota Examen * 0.4 + Nota problemas * 0.3 + Nota Laboratorio * 0.3

• Stuart J. Russell and Peter Norvig Artificial intelligence : a modern approach- third edition, Prentice Hall, 2011.
• Zbigniew Michalewicz, David B. Fogel How to solve it : modern heuristics, Springer,, 2004.
• Asunción Gómez-Pérez, Mariano Fernández-López, and Oscar Corcho Ontological engineering : with examples from the areas of knowledge management, e-commerce and the semantic Web, Springer-Verlag, 2004.
• Ghallab Malik, Dana Nau, Paolo Traverso Automated planning : theory and practice, Elsevier/Morgan Kaufmann, 2004.
• Weiming Shen, Douglas H. Norrie and Jean-Paul A. Barthès Multi-agent systems for concurrent intelligent design and manufacturing, Taylor & Francis, 2001.

• George Dyson Darwin among the machines, Penguin Books, 1999.
• Mark D'Inverno, Michael Luck Understanding agent systems, Springer,, 2004.
• M. Luck, R. Ashri and M. d'Inverno Agent-Based Software Development, Artech House, 2004.
• Priest, Graham An Introduction to non-classical logic, Cambridge University Press , 2001.
• Michael Wooldridge An Introduction to multiagent systems, John Wiley & Sons, 2002.

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



2. http://aima.cs.berkeley.edu/
   



3. http://aima.cs.berkeley.edu/ai.html
   

Los alumnos deben haber cursado previamente la asignatura Inteligencia Artificial