Computación y Sistemas Inteligentes

Usted está aquí

Inicio » Estudios » Másteres » Máster en Ingeniería Informática » Plan de estudios » Asignaturas » Computación y Sistemas Inteligentes
Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos
Departamento
CS
Web
www.cs.upc.edu\~larrosa/csi.html
En esta asignatura se explicarán los fundamentos de los sistemas inteligentes. Estos fundamentos incluyen métodos matemáticos, algoritmos y estadísticos. La asignatura se estructura en tres partes, que cubren tres "patas" básicas de los sistemas inteligentes:
- Representación del conocimiento y razonamiento automático en entornos con certeza
- Representación del conocimiento y razonamiento automático con incertidumbre
- Aprendizaje automático

Profesorado

Responsable

  • Francisco Javier Larrosa Bondia ( )

Otros

  • Emma Rollón Rico ( )
  • Luis Antonio Belanche Muñoz ( )
  • Marta Arias Vicente ( )
  • Ramon Ferrer Cancho ( )

Horas semanales

Teoría
1
Problemas
1
Laboratorio
2
Aprendizaje dirigido
0
Aprendizaje autónomo
8.5

Competencias

Competencias Técnicas de cada especialidad

Específicas

  • CTE1 - Capacidad para modelar, diseñar, definir la arquitectura, implantar, gestionar, operar, administrar y mantener aplicaciones, redes, sistemas, servicios y contenidos informáticos.
  • CTE7 - Capacidad para comprender y poder aplicar conocimientos avanzados de computación de altas prestaciones y métodos numéricos o computacionales a problemas de ingeniería.
  • CTE9 - Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento.

Competencias Transversales

Razonamiento

  • CTR6 - Capacidad de razonamiento crítico, lógico y matemático. Capacidad para resolver problemas dentro de su área de estudio. Capacidad de abstracción: capacidad de crear y utilizar modelos que reflejen situaciones reales. Capacidad de diseñar y realizar experimentos sencillos, y analizar e interpretar sus resultados. Capacidad de análisis, síntesis y evaluación.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.

Objetivos

  1. Conocer lenguajes para modelar y resolver problemas de razonamiento y saver como aplicarlos a problemas concretos con certeza y con incertidumbre, utilizando herramientas informáticas especializadas, siendo consciente de las implicaciones que tiene su complejidad teórica.
    Competencias relacionadas: CB6, CTR6, CTE1, CTE7, CTE9,

Contenidos

  1. Representación del conocimiento y razonamiento automático en contextos de certeza
    Se verá el lenguaje de modelado MiniZinc. Su sintaxis y su semántica, los algoritmos básicos de inferencia y su capacidad expresiva.
  2. Representación del conocimiento y razonamiento automático con incertidumbre
    Se verán las Redes Bayesianas, su sintaxis, su semántica, los algoritmos básicos de inferencia y su capacidad expresiva.
  3. aprendizaje automatico
    Se verán los algoritmos más importantes de aprendizaje automático entendiendo los puntos fuertes y débiles de cada uno para saber cuál es el más adecuado para cada situación

Actividades

Actividad Acto evaluativo


Desarrollo del tema 1 de la asignatura (lógica proposicional)

Asimilar los elementos básicos de la lógica proposicional (sintaxis, semántica, inferencia) Entender la capacidad expresiva de la lógica proposicional y ver ejemplos de uso reales.
Objetivos: 1
Contenidos:
Teoría
5h
Problemas
5h
Laboratorio
10h
Aprendizaje dirigido
2h
Aprendizaje autónomo
25h

Desarrollo del tema 2 de la asignatura (redes bayesianas)

Asimilar los elementos básicos de las redes bayesianas (sintaxis, semántica, inferencia) Asimilar la capacidad expresiva de las redes bayesianas y ver ejemplos de uso reales.
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
8h
Aprendizaje dirigido
2h
Aprendizaje autónomo
25h

3 Develop the topic of the course (Machine Learning)


Objetivos: 1
Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
8h
Aprendizaje dirigido
2h
Aprendizaje autónomo
25h

Metodología docente

Se combinan las clases de teoría para introducir los conceptos fundamentales, con las clases de problemas para practicar y ejercitar sus implicaciones, con clases de laboratorio, donde se verá un uso más práctico de todo ello mediante casos de estudio y usando paquetes implementados.

Método de evaluación

La asignatura se estructura en 3 partes, todas con el mismo peso. Por cada parte se hará un exámenes y una práctica.

Bibliografía

Básica:

Complementaria: