Inteligencia Artificial

Usted está aquí

Créditos
6
Tipos
Obligatoria de especialidad (Computación)
Requisitos
  • Correquisito: PROP
  • Prerrequisito: EDA
Departamento
CS
La inteligencia artificial és una ciència multi-disciplinar que combina conceptos y métodos de àreas muy diversas como la matemática, la informática, la filosofía, la psicología y la biología. Su objetivo principal es dotar a un sistema computacional de características o comportamientos que simulen la inteligencia. Con más de 60 años de historia como disciplina científica independiente, ha traspasado al mundo de la industria para crear sistemas de soporte a la toma de decisiones, sistemas de diagnóstico, mecanismos de control automático o la robótica industrial y doméstica, por citar algunos. En la actualidad, la emergencia de las tecnologías web y la disponibilidad de dispositivos móviles cada vez más potentes ha impulsado aun más la inteligéncia artificial, convirtiéndose en un poderoso mecanismo para crear sistemas que reduzcan la dificuldat de encontrar y utilizar información o aplicaciones en red, o incluso ser la base de la innovacion para crear nuevas aplicaciones y productos de éxito. El motor de búsqueda de Google, el sistema recomendador de Amazon, los vehículos de conducción autónoma o la última generación de videojuegos que se adaptan a la forma de jugar del usuario son buenos exemplos. En este curso se quiere dar una visión general de la inteligència artificial, presentando los tipos de problemas que se pueden resolver, los fundamentos teóricso, las técnicas básicas y como aplicarlas. El enfoque de la asignatura será un balance entre teoria y aplicación práctica.

Profesores

Responsable

  • Javier Vazquez Salceda ( )

Otros

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

Horas semanales

Teoría
2
Problemas
1
Laboratorio
1
Aprendizaje dirigido
0.4
Aprendizaje autónomo
5.6

Competencias

Competencias Transversales

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.

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.

Competencias Técnicas de cada especialidad

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.
    • 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.
    • 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.

Objetivos

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

Contenidos

  1. Resolución de Problemas mediante Búsqueda
    Introducción a las metodologías de resolución automática de problemas: Representación como espacio de estados, algoritmos de búsqueda informada y local, algoritmos genéticos, juegos y problemas de satisfacción de restricciones.
  2. Representación del conocimiento y razonamiento
    Introducción a las técnicas de representación en el conocimiento. Motivación. Representaciones procedurales y sistemas de producción. Representaciones estructuradas (ontologías). Incertidumbre en el conocimiento.
  3. Planificación
    Introducción a la resolución de problemas mediante planificación. Planificación lineal y jerárquica. Planificación en entornos deterministas y estocásticos.
  4. Aprendizaje Automático
    El aprendizaje automático y su papel en sistemas que se adapten al usuario o al entorno. Tipos de aprendizaje. Aprendizaje de árboles de decisión. Redes Neurales Artificiales.
  5. Otras técnicas, áreas y aplicaciones de la Inteligencia Artificial
    Minería de Datos, Razonamiento Basado en Casos, Razonamiento Cualitativo, Sistemas Multiagente, Tratamiento Automático de Textos y del Habla, Percepción y Visión Automática, Sistemas Recomendadores, Sistemas Tutores Inteligentes, Inteligencia Artificial en entornos de Web Services, Grid Computing y Cloud Computing.

Actividades

Actividad Acto evaluativo


Introducción a la Inteligencia Artificial

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: 2 1 14
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Resolución de Problemas mediante Búsqueda

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:
Teoría
10h
Problemas
6h
Laboratorio
5h
Aprendizaje dirigido
0h
Aprendizaje autónomo
31h

Entrega práctica Búsqueda.

Entrega del informe sobre la práctica de algoritmos de búsqueda que los alumnos han realizado en las sesiones de laboratorio.
Objetivos: 3 5
Semana: 6
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Parcial de IA

Parcial sobre resolución de problemas
Objetivos: 3 5 6
Semana: 7
Tipo: examen de teoría
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Representación del conocimiento y razonamiento

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:
Teoría
8h
Problemas
5h
Laboratorio
7h
Aprendizaje dirigido
0h
Aprendizaje autónomo
25.5h

Resolución de Problemas mediante Planificación

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:
Teoría
4h
Problemas
2h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Entrega práctica Representación del Conocimiento.

Entrega del informe de la práctica sobre Representación del Conocimiento que los alumnos han desarrollado en el laboratorio.
Objetivos: 4 6 7 8
Semana: 12
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Aprendizaje Automático

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:
Teoría
3h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Entrega del trabajo de innovación.

Entrega del informe sobre ejemplos de innovación empresarial relacionada con el uso de técnicas de Inteligencia Artificial.
Objetivos: 2 14
Semana: 14
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Otras técnicas, áreas y aplicaciones de la Inteligencia Artificial

El alumno no sólo deberá atender a las exposiciones de sus compañeros, 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: 14
Contenidos:
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
4h
Aprendizaje autónomo
7.5h

Examen final de IA

Examen final de los contenidos del curso.
Objetivos: 5 6 7 8 10 13
Semana: 15 (Fuera de horario lectivo)
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
2h
Aprendizaje autónomo
0h

Metodología docente

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.

Método de evaluación

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*0.2 + NF*0.4), NF*0.6) + NL*0.35 + 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.

Bibliografía

Básica:

Complementaria:

Web links

Capacidades previas

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.