Última actualización: 09/05/2024


Curso Académico: 2024/2025

Representación del Conocimiento y Razonamiento
(19198)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: CARBO RUBIERA, JAVIER IGNACIO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación
Objetivos
El objetivo de la asignatura es proporcionar al estudiante la capacidad de adquirir y expresar conocimiento de un dominio de problemas. Para ello, el alumno ha de producir conocimiento transparente y explicable en forma de una ontología, un árbol de conocimiento y un conjunto de reglas que puedan usarse en una posible solución neurosimbólica (IA híbrida para comparar, explicar y validar soluciones generadas automáticamente mediante machine learning).
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1 Introducción: La aproximación simbólica a la IA 2 El otro proceso de adquisición del conocimiento. 3 La representación conceptual (conocimiento estático): ontologías y grafos de conocimiento. 4. El razonamiento (conocimiento dinámico): reglas de producción
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas: * Clases magistrales (Actividad formativa 1 - AF1):. Tienen por objetivo alcanzar las competencias específicas cognitivas de la asignatura, así como las competencias transversales capacidad de análisis y abstracción. * Clases prácticas (Actividad formativa 2 - AF2) : Tienen por objetivo iniciar el desarrollo de las competencias específicas instrumentales, así como las competencias transversales resolución de problemas y aplicación de conocimientos. * Pruebas parciales de evaluación continua (Actividad formativa 8 - AF8): Tienen por objeto incidir y complementar en el desarrollo de las capacidades específicas cognitivas y procedimentales. Refleja especialmente el aprovechamiento de las clases magistrales. * Trabajos prácticos en grupo (Actividad formativa 6 - AF6): Desarrollados sin presencia del profesor, tienen por objetivo completar e integrar el desarrollo de todas las competencias específicas y transversales, en la resolución de un caso práctico elaborado donde queden bien documentados el planteamiento del problema, la elección del método de resolución, los resultados obtenidos y la interpretación de los mismos. Refleja especialmente el aprovechamiento de las clases prácticas. * Tutorías (online o presenciales): Asistencia individualizada (Actividad formativa 5 - AF5) a los estudiantes por parte del profesor pedida por email con antelación. Metodología a utilizar: * Exposiciones en clase del profesor (Metodología Docente 1 - MD1) * Elaboración de trabajos en grupo (Metodología Docente 5 - MD5) * Resolución de casos prácticos planteados por el profesor en grupo (Metodología Docente 3 - MD3)
Sistema de evaluación
  • Peso porcentual del Examen Final 33
  • Peso porcentual del resto de la evaluación 67

Calendario de Evaluación Continua


Bibliografía básica
  • David M Bourg, Glenn Seemann. AI for Game Developers. O'Reilly Media, Inc.. 2004
  • Han Liu, Alexander Gegov, Mihaela Cocea. Rule Based Systems for Big Data. Springer. 2015
  • Russell, S., Norvig, P.. Artificuial Intelligence. Prentice Hall. 2020

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.