Aprendizaje Basado en la Memoria y la Experiencia

Créditos
4.5
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
CS
El curso esta dedicado al Aprendizaje Experiencial basado en Memoria, enfocándose enseguida en una aproximiación simbólica y cognitiva: el Razonamiento Basado en Casos (CBR). Se estudiarán y analizarán en detalle los componentes básicos del ciclo de razonamiento CBR. Se revisará la aplicación de CBR al mundo real y se describirán los principales problemas de su implementación.

Profesorado

Responsable

  • Javier Vazquez Salceda (jvazquez@cs.upc.edu)
  • Ramon Sangüesa Sole (ramon.sanguesa.i@upc.edu)

Horas semanales

Teoría
1.3
Problemas
0
Laboratorio
0.8
Aprendizaje dirigido
0.1
Aprendizaje autónomo
5.3

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Capacidad para proyectar, diseñar e implantar productos, procesos, servicios e instalaciones en todos los ámbitos de la Inteligencia Artificial.

    • Competencias Técnicas de cada especialidad

    Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA12 - Capacidad de comprender las técnicas avanzadas de Ingeniería del Conocimiento, Aprendizaje Automático y Sistemas de Soporte a la Decisión, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

    • Profesionales

  • CEP2 - Capacidad de resolver los problemas de toma de decisiones de las diferentes organizaciones, integrando herramientas inteligentes.
  • CEP5 - Capacidad de diseñar nuevas herramientas informáticas y nuevas técnicas de Inteligencia Artificial en el ejercicio profesional.

    • Competencias Transversales

    Trabajo en equipo

  • CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

    • Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

    • Básicas

  • CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.

    • Objetivos

    1. Ser capaz de decidir cuándo un problema es adecuado para ser resuelto a través de un esquema de aprendizaje experiencial (un paradigma CBR)
      Competencias relacionadas: CEA3, CEA12, CT7,
    2. Ser capaz de diseñar una estructura de caso CBR (descripción del problema, solución) para un problema realista dado
      Competencias relacionadas: CEA3, CEA12, CG1, CEP2, CT3, CT7,
    3. Ser capaz de diseñar e implementar una biblioteca de casos (seleccionando los mecanismos de indexación adecuados, la estructura de la biblioteca y las funciones de similitud) para un problema realista dado.
      Competencias relacionadas: CEA3, CEA12, CG1, CEP2, CEP5, CT3, CT7,
    4. Ser capaz de diseñar e implementar una función de adaptación apropiada (adaptar soluciones de casos anteriores a uno nuevo) para un problema realista dado
      Competencias relacionadas: CEA3, CEA12, CG1, CEP2, CEP5, CT3, CT7,
    5. Ser capaz de diseñar e implementar un mecanismo de mantenimiento de CBR (definiendo una métrica de relevancia de caso, seleccionando una estrategia de mantenimiento, implementando un módulo de mantenimiento de biblioteca) para un problema realista dado.
      Competencias relacionadas: CEA3, CEA12, CG1, CEP2, CEP5, CT3, CT7,
    6. Poder validar un prototipo CBR (crear un conjunto de ejemplos de casos, validar todos los componentes CBR) y analizar los resultados.
      Competencias relacionadas: CEA3, CEA12, CG1, CEP2, CT3, CT7, CB8,
    7. Adquirir conocimientos básicos sobre las teorías y métodos de IA cognitiva para el aprendizaje basado en la memoria (aprendizaje por ejemplos, aprendizaje basado en instancias, aprendizaje experiencial, aprendizaje basado en casos) y sus fundamentos en las ciencias cognitivas.
      Competencias relacionadas: CEA3, CEA12, CG1, CT7,

    Contenidos

    1. Teorías de la memoria humana y su relevancia para la IA
      Panorama básico del papel de la memoria en el aprendizaje
    2. Memoria y aprendizaje en la IA cognitiva
      Se examina la IA temprana y los sistemas simbólicos, centrándose en la hipótesis del sistema de símbolos físicos y las primeras visiones sobre el aprendizaje y la memoria como manipulación y búsqueda de símbolos.

      Análisis conceptual de programas de IA clásicos para identificar suposiciones cognitivas implícitas sobre la memoria
    3. Teorías sobre el aprendizaje a partir de instancias

      Se presentan modelos basados ¿¿en ejemplos y teorías de instancias de la psicología cognitiva como alternativas a la abstracción basada en reglas, enfatizando la generalización basada en similitudes y los rastros episódicos.
      Se analiza cómo las teorías de ejemplos desafían las perspectivas simbólicas clásicas del aprendizaje.
    4. Fundamentos cognitivos del aprendizaje basados ¿¿en instancias.
      Fundamentos cognitivos del aprendizaje basado en instancias

      El aprendizaje basado en instancias (ABI) se presenta como un análogo computacional de la cognición basada en ejemplos, enmarcando el aprendizaje como acumulación de memoria en lugar de inducción de modelos.

      Razonamiento con instancias explícitas y juicios de similitud en pequeños problemas de decisión.
    5. Estructura algorítmica del aprendizaje basado en instancias
      Estructura algorítmica del aprendizaje basada en instancias

      Algoritmos IBL formales, métodos de veí més propios, métricas de similitud, aprendizaje incremental y políticas de emmagatzematge.
    6. Panorama de técnicas y limitaciones en Ejemplar Learning e IBL
      Escalabilidad, sensibilidad al ruido, relevancia de las características y la necesidad de un control de memoria basado en el conocimiento.
    7. Aprendizaje basado en la experiència
      Experiencia y episodios. Aprendizaje experiential.
    8. Componentes de los sistemas CBR
      Descripción y análisis de los componentes básicos, arquitectura y procesos de los sistemas CBR
    9. Demostradores/ejemplos académicos de CBR
      Revision de los sistemas más signiticativos de CBR y comparación de características
    10. Aplicación de CBR en un dominio real
      Se describirá y analizará una aplicación real.
    11. Problemas en el desarrollo de sistemas CBR
      a. Competencia
      b. Rendimiento espacial
      c. Rendimiento temporal
    12. Razonamiento reflexivo en CBR
      Técnicas de mantenimiento de bases de casos como forma de razonamiento y aprendizaje
    13. Sistemas Híbridos
      Descripción y análisis de sistemas neurosimbólicos CBR
    14. Evaluación de sistemas CBR
      Se estudiarán y aplicarán las distintas técnicas de evaluación del rendimiento y calidad de sistemas CBR
    15. Cuestiones de investigación avanzada en CBR
      a. CBR temporal
      b. CBR espacial
      c. Sistemas CBR híbridos
      d. Sistemas de recomendación: CBR como herramienta de recomendación
      e. Agentes y CBR
      f. CBR distribuido

    Actividades

    Actividad Acto evaluativo


    Memoria y aprendizaje en humanos e IA cognitiva


    Objetivos: 1 7
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    2h

    Teorías del aprendizaje de ejemplos e instancias. Fundamentos cognitivos.


    Objetivos: 7
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    5h

    Aprendizaje por Ejemplos y Aprendizaje Basado en Instancias: fundamentos cognitivos, algoritmos y técnicas.


    Objetivos: 7
    Contenidos:
    Teoría
    4h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    6h

    Experiencia y episodios. Aprendizaje experiencial.


    Objetivos: 7
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    3h

    Fundamentos del razonamiento basado en casos y ejemplos académicos.


    Objetivos: 1 2
    Contenidos:
    Teoría
    2h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    6h

    Componentes de un sistema de razonamiento basado en casos. Ciclo de razonamiento CBR.


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

    Aplicación de los sistemas de Razonamiento Basado en Casos en un dominio real


    Objetivos: 2 3 4 5
    Contenidos:
    Teoría
    1h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    1h

    Problemas en el desarrollo de sistemas de Raonament Basat en Casos


    Objetivos: 2 3 5
    Contenidos:
    Teoría
    1.5h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    8h

    Razonamiento Reflexivo en sistemas de Razonamiento Basado en Casos. Mantenimiento de sistemas de Razonamiento Basado en Casos


    Objetivos: 5
    Contenidos:
    Teoría
    1h
    Problemas
    0h
    Laboratorio
    3h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    7.5h

    Aplicaciones de sistemas de Razonamiento Basado en Casos, Herramientas de Desarrollo y Evaluación de sistemas de Razonamiento Basado en Casos


    Objetivos: 6
    Contenidos:
    Teoría
    1h
    Problemas
    0h
    Laboratorio
    1h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    7h

    Temas Avanzados de Investigación en sistemas de Razonamiento basado en Casos


    Objetivos: 2 3 4 5
    Contenidos:
    Teoría
    1h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    4h

    Exposición oral y discusión del trabajo práctico (PW)


    Objetivos: 2 3 4 5 6
    Semana: 15 (Fuera de horario lectivo)
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Metodología docente

    La metodología docente incluirá sesiones teóricas, sesiones con ejemplos prácticos de los conceptos y algoritmos explicados en el curso, y sesiones dedicadas a apoyar el trabajo práctico de los estudiantes.

    El trabajo en equipo consistirá en el diseño, implementación, aplicación y validación de un proyecto de Razonamiento Basado en Casos para resolver un problema real. El proyecto se desarrollará en paralelo a los temas presentados en el curso, siguiendo la siguiente estructura:
    - Se introducen nuevos temas/técnicas en el aula.
    - Si estos temas/técnicas son adecuados para su uso en el Trabajo Práctico, se invita a los estudiantes a intentar su aplicación de forma autónoma.
    - El trabajo realizado se discute y valida por el profesor en el aula durante las siguientes semanas.

    Método de evaluación

    La evaluación de los conocimientos y habilidades adquiridos por los estudiantes se realizará mediante un proyecto práctico (PP) que se realizará en equipo.

    El proyecto consistirá en el diseño, implementación, aplicación y validación de un proyecto de Razonamiento Basado en Casos para resolver un problema real. El proyecto se desarrollará en paralelo a los temas presentados en el curso, siguiendo la siguiente estructura:
    - Se introducen nuevos temas/técnicas en el aula.
    - Si estos temas/técnicas son adecuados para su uso en el Práctico, se les pide a los estudiantes que intenten aplicarlos de forma autónoma.
    - El trabajo realizado se discute y valida por el profesor en el aula la semana siguiente.

    La calificación final se calculará de la siguiente manera:

    CalificaciónFinal= PPdr * WFstud, donde 0 <= WFstud <= 1.2

    WFstud es un Factor de Trabajo que evalúa el trabajo de un estudiante en particular dentro de su trabajo en equipo en PP. Se obtendrá observando y evaluando la carga de trabajo y el grado de participación de cada estudiante a lo largo del desarrollo del trabajo en equipo. En condiciones normales, el WFstud = 1.

    El PWGr se calculará de la siguiente manera:

    PWGr = 0,5 * TeachA + 0,5 * SelfA

    Donde TeachA es la evaluación del profesorado del trabajo en equipo, evaluada según:

    - La metodología del trabajo (0,5)
    - La calidad del informe escrito (0,2)
    - La calidad de la exposición oral (tanto la presentación como el contenido evaluado, así como la capacidad para responder preguntas) (0,2)
    - La planificación, coordinación y gestión del equipo (0,1)

    y SelfA es la evaluación individual de cada estudiante por parte de todos los miembros de su equipo.

    Bibliografía

    Básico

    Complementario

    Capacidades previas

    Los requisitos son proporcionados por los cursos obligatorios del Master MAI, especialmente los proporcionados por el curso "Introducción al aprendizaje automático" (IML).