Conocimiento y Razonamiento Automático

Usted está aquí

Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS
Mail
This course is an introduction to the foundations of reasoning and its automation. It begins with an introduction to propositional and first-order logic and logical programming. After the logical characterization of the various forms of inference, new variants are introduced that allow to tackle approximate reasoning under uncertainty and ambiguity. From this knowledge, the representations of relational knowledge and the classical architectures of knowledge-based systems are presented and compared.

Profesores

Responsable

  • Ramon Sangüesa Sole ( )

Horas semanales

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

Competencias

Competencias Transversales

Transversales

  • CT4 [Avaluable] - Trabajo en equipo. Ser capaz de trabajar como miembro de un equipo interdisciplinar, 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.
  • CT5 [Avaluable] - Uso solvente de los recursos de información. Gestionar la adquisición, la estructuración, el análisis y la visualización de datos e información en el ámbito de especialidad y valorar de forma crítica los resultados de dicha gestión.

Competencias Técnicas

Específicas

  • CE02 - Dominar los conceptos básicos de matemática discreta, lógica, algorítmica y complejidad computacional, y su aplicación para el tratamiento automático de la información por medio de sistemas computacionales y su aplicación para la resolución de problemas.
  • CE15 - Adquirir, formalizar y representar el conocimiento humano en 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.
  • CE18 - Adquirir y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Utilizar los conocimientos fundamentales y metodologías de trabajo sólidas adquiridos durante los estudios para adaptarse a los nuevos escenarios tecnológicos del futuro.
  • CG4 - Razonar, analizando la realidad y diseñando algoritmos y formulaciones que la modelen. Identificar problemas y construir soluciones algorítmicas o matemáticas válidas, eventualmente nuevas, integrando el conocimiento multidisciplinar necesario, valorando distintas alternativas con espíritu crítico, justificando las decisiones tomadas, interpretando y sintetizando los resultados en el contexto del dominio de aplicación y estableciendo generalizaciones metodológicas a partir de aplicaciones concretas.
  • CG5 - Trabajar en equipos y proyectos multidisciplinares relacionados con la inteligencia artificial y la robótica, interactuando fluidamente con ingenieros/as y profesionales de otras disciplinas.

Objetivos

  1. Conocer el concepto de lógica (sintaxis y semántica).
    Competencias relacionadas: CE02, CE15,
  2. Entender, escribir y manipular ágilmente fórmulas en varias lógicas (proposicional, de primer orden, descriptiva, difusa), con especial énfasis en las aplicaciones a la informática.
    Competencias relacionadas: CE02, CE15, CE18, CG4,
  3. Saber aplicar los fundamentos lógicos al creciente número de aplicaciones de los métodos de razonamiento a la informática
    Competencias relacionadas: CE02, CE15, CG2, CG4,
  4. Analizar las necesidades de conocimiento para resolver un problema
    Competencias relacionadas: CE15, CE18, CG2, CG4, CT5, CG5,
  5. Analizar un problema y determinar qué técnicas de representación y razonamiento són las más adecuades.
    Competencias relacionadas: CE15, CG2, CG4, CT5, CG5,
  6. Extraer y representar el conocimiento necesario para construir una aplicación en el ámbito de los sistemas basados en conocimientos.
    Competencias relacionadas: CT5, CT4, CE15, CE18, CG2, CG4, CG5,

Contenidos

  1. Introducción: Inteligencia, Conocimiento, Razón, Razonamiento y Computación.
    Presentación del papel del razonamiento en la inteligencia. El conocimiento y su representación en relación al razonamiento. Los diversos tipos de conocimiento: declarativo (relacional, heredable, inferible), procedural, implícito, a priori y accionable.
  2. Razonamiento y lógica
    Lógica como representación del conocimiento. Lógica con mecanismo de razonamiento. Clausura lógica.
  3. Lógica proposicional.
    Introducción a la lógica y a los conceptos básicos para su caracterización y uso: satisfacción, tautología, consecuencia y equivalencia. Poder expresivo y coste computacional. Deducción en lógica proposicional.
  4. Lógica de primer orden
    Lógica de primer orden: formas normales, literales y cláusulas. Poder expresivo y decidibilidad. Propiedades de los sistemas lógicos computacionales. Deducción en Lógica de Primer Orden.
  5. Programación lógica.
    Introducción a la programación lógica cálculo de respuestas, estrategsie de resolución, gestión del backtracking.
  6. Sistemas Basados en Conocimiento: arquitecturas básicas
    Los sistemas basados en conocimiento: similitudes y diferencias con los sistemas lógicos. Componentes de un sistema basados en conocimiento. Estrategias de razonamiento.
  7. Razonamiento aproximado.
    Caracterització del raonament aproximat: Incertesa, imprecisió, ambigüetat. Els condicionants del raonament aproximat. Incertesa en el coneixement vs. incertesa en les dades. Caracterització genèrica dels principals mètodes de raonament aproximat.
  8. Razonamiento probabilista.
    Teoría de la Probabilidad para el tratamiento de la incertidumbre. Redes Bayesianas. Inferencia en Redes Bayesianas. Variantes: factores de certeza, evidencia.
  9. Razonamiento Difuso.
    Teoría de la Posibilidad y Lógica Difusa. Incertidumbre y Ambigüedad. Inferencia en Lógica Difusa.
  10. Otras formas de inferencioa.
    Inducción, abducción, analogía, razonamiento basado en casos, Razonamiento Basado en Casos: modelo y ciclo de ejecución de los sistemas basados en casos. Organización interna de la Base de Casos.
  11. Modelado del conocimiento semántico
    Redes Semánticas y redes de "frames". Lógica descriptiva.
  12. Ontologías y razonamiento.
    Concepto de Ontología. Formas de razonamiento en ontologías.
  13. Ingeniería de Sistemas Basados en Conocimiento.
    Ingeniería del conocimiento. Fases del desarrollo de un sistema basado en conocimiento.

Actividades

Actividad Acto evaluativo


Inteligencia, Conocimiento, Razón, Razonamiento y Computación

Presentación de los conceptos fundamentales que conectat inteligencia con razonamiento, razonamiento con conocimiento y éste con su representación. El razonamiento como manipulación de representaciones. Razonamiento como cálculo.
Objetivos: 1 2 3
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Lógica proposicional.


  • Problemas: Problemas básicos de los esquemas fundamentales de inferencia
Objetivos: 1 2
Contenidos:
Teoría
4h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Lógica de primer orden

It is necessary to understand and practice the various forms and methods of logical inference as well as fit the expressive limits of this language, which is an extension of what allows propositional logic and at the same time allows us to understand its relationship with the properties of interest from the point of view of its realization by computer means. This allows us to understand the basics of logical programming.
Objetivos: 1 2 3 4
Contenidos:
Teoría
6h
Problemas
4h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
7h

Programación lógica

Hay que entender el lenguaje de programación lógica como una transposición computacional de los mecanismos de inferencia de la lógica de primer orden y al mismo tiempo entender las diferencias. Se practicará intensamente en el laboratorio con ejercicios de dificultad creciente que servirán para prepare el examen específico de programció lógica.
Objetivos: 1 2 3 4
Contenidos:
Teoría
4h
Problemas
0h
Laboratorio
7h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17h

Sistemas basados en conocimientos. Arquitecturas básicas.

Cal entender i estudiar el papel del coneixement en general (més enllà de les representacions lògicques) en sistemes que utilitzen coneixement per prendre Decisions i veure les diferències i similituds amb el que es pot representar i amb el que es pot inferir en sistemes lògics.
Objetivos: 4 5
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
1h

Razonamiento Probabilista.

Hay que entender y practicar con varios ejercicios como trabajar con conocimiento que es incierto. Las formalizaciones probabilistas permiten enfrentarnos a la muy común situación en que hay incertidumbre en la realidad sobre la que tenemos que razonar. En el laboratorio practicaremos en la representación de conocimiento probabilístico y utilizaremos entornos que el admenten, realizando ejercicios cada vez más complejos que nos permitirán perparar el examen correspondiente.
Objetivos: 2 3 4 5 6
Contenidos:
Teoría
2h
Problemas
1h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
4h

Razonamiento Difuso.

Veremos que la teoría de la probabilidad tiene algunas dificultades para representar situaciones que son imprecisas o ambiguas o que combinan estas propiedades con la incertidumbre. Hay que entender la Teoría de la Posibilidad como relacionada con una representación adecuada para estos condiciones: los conjuntos difusos. En el laboratorio practicar con ejercicios de representación y razonamiento difusos cada vez más complejos para confrontar el examen correspondiente.
Objetivos: 2 3 4 5 6
Contenidos:
Teoría
2h
Problemas
1h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
4h

Otras formas de inferencia

Hay que entender que la deducción es una forma de razonamiento entre muchas otras que hemos desarrollado. Entenderemos y practicaremos mediante ejercicios la inferencia inductiva, base de las ciencias experimentales y, en general, de todas las que generaltizen a partir de observaciones (y los datos correspondientes); la inferencia abductiva como una inferencia generativa y la analogía o el razonamiento basado en casos como un tipo de razonamiento donde la similitud entre los componentes y estructura de una situación ponen en marcha un razonamiento que tiene consecuencias útiles y prácticas. Los diversos ejercicios nos permitirán afianzar el conocimiento de las posibilidades y limitaciones de este tipo de conocimiento, siempre comparándolos con las propiedades de las lógicas estándar.
Objetivos: 1 2 3 4 5 6
Contenidos:
Teoría
2h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Modelado del conocimiento semántico. Ontologías.

Las ontologías son formalismos basados en jerarquías de conceptos y relaciones. Estudiaremos las principales realizaciones y formalismos y en laboratorio trabajaremos con entornos de desarrollo de ontologías. Los estudiantes no sólo tienen que asistir a las lecciones, sino también hacer ejercicios sobre la utilización de las ontologías y discutir con el profesor y otros estudiantes cuando es mejor utilizar cada técnica. En el laboratorio los estudiantes aplicarán lo aprendido en un problema.
Objetivos: 3 4 5 6
Contenidos:
Teoría
2h
Problemas
1h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
7h

Inferencia con ontologías. Lógica de descripciones.

Veremos la relación entre ontologías y lógica a través de un tipo concreto de lógica: la lógica de descripciones. Practicaremos con estos conceptos en el laboratorio.
Objetivos: 1 2 3 4 5 6
Contenidos:
Teoría
4h
Problemas
1h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Los Sistemas Basados en Conocimiento y su ingeniería.

Aprenderemos a construir un sistema basado en el conocimiento desde la concepción hasta la implementación con especial énfasis en las técnicas de obtención de conocimiento y la importancia de validarlas. Estudiaremos la relación de los métodos necesarios en cada fase de la construcción del SBC y los compararemos con otros métodos alternativos y complementarios de construir bases de conocimiento a partir de datos. Deberá diseñar un pequeño sistema basado en el conocimiento.
Objetivos: 4 5 6
Contenidos:
Teoría
2h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
6h

Control de Razonamiento Aproximado.



Semana: 8
Tipo: examen de problemas
Teoría
0h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
4h

Control de Ontologies y Lógica de Descripciones


Objetivos: 1 2 3 4 5 6
Semana: 11
Tipo: examen de problemas
Teoría
0h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
8h

Examen de Programación Lógica

Examen usando entorno de programación lógica que se compone de ejercicios de programación lógica para comprobar el nivel de logro en este enfoque de la programación que está relacionado con diversas formas de razonamiento.
Objetivos: 1 2 3
Semana: 6
Tipo: examen de laboratorio
Teoría
0h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Examen Final

Exercici teòrico-pràctic que cobreix els temes del curs.
Objetivos: 1 2 3 4 5 6
Semana: 18 (Fuera de horario lectivo)
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
0h

Metodología docente

La metodología docente consistirá en la exposición de la teoría en clases de teoría y la aplicación de los conceptos en las clases de problemas y laboratorio y a pequeños proyectos a realizar en grupo.

Método de evaluación

La evaluación se basa en varios controles de bloques temáticos y un examen y la evaluación de las asignaciones del curso en problemas y laborator.L'examen final pone a prueba los conocimientos teóricos y de metodología adquiridos por los estudiantes durante el curso. La calificación de las asignaciones del curso se basará en las presentaciones de los pequeños problemas propuestos durante el curso. La nota de laboratorio se basará en los informes y trabajos prácticos de laboratorio llevados a cabo durante el curso.

La calificación final se calculará de la siguiente manera:

12:30 * nota control programación lógica + 0.1 * nota control Razonamiento Aproximado + 12:20 control Ontologías y Lógica de descripciones + 0,1 * trabajos de problemas y laboratorio + 12:35 Examen final.


Evaluación de las competencias

La evaluación de la competencia de trabajo en equipo se basa en el trabajo realizado durante los trabajos de prácticas.

La evaluación de la competencia. Uso solvente de los recursos de información se basa tanto en el trabajo de prácticas como en los desempeñen de problemas y laboratorios.

Bibliografía

Básica:

Complementaria:

  • Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference - Pearl, Judea, Morgan Kaufmann, Publishers , 1988. ISBN: 1558604790

Capacidades previas

Las habituales en un primer curso universitario con especial relevancia de los contenidos de ciencia y matemáticas,

Adenda

Contenidos

No es preveu cap canvi de continguts.

Metodología docente

La metodologia docent s'adequarà a la situació del moment. Es faran de forma no presencial amb Meet les activitats que no es puguin dur a terme de forma presencial.

Método de evaluación

Està previst fer els exàmens de forma presencial. Si la situació no ho permetès, es farien de forma no presencial amb Meet i/o la plataforma Atenea, o qualsevol medi similar facilitat per la UPC.

Plan de contingencia

Si no fos possible dur a terme activitats presencials, es farien tant les classses de teoria, com de problemes de forma no presencial amb Meet, així com tots els actes d'avaluació de forma no presencial utilitzant Meet i/o la plataforma Atenea.