Cr茅ditos ECTS
Cr茅ditos ECTS: 4.5
Horas ECTS Criterios/Memorias
Trabajo del Alumno/a ECTS: 71.5
Horas de Tutor铆as: 1
Clase Expositiva: 15
Clase Interactiva: 25
Total: 112.5
Lenguas de uso
Castellano, Gallego
Tipo:
Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos:
Electr贸nica y Computaci贸n
脕谤别补蝉:
Ciencia de la Computaci贸n e Inteligencia Artificial
Centro
Escuela T茅cnica Superior de Ingenier铆a
Convocatoria:
Primer semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
El objetivo de la asignatura es adquirir las habilidades necesarias para construir sistemas que sean capaces de resolver problemas de manera similar a los humanos, como diagnosticar un problema m茅dico o dise帽ar un sistema de referencia personalizado. El tema se centrar谩 en aprender c贸mo definir el conocimiento que un sistema necesita para dotarlo de comportamiento inteligente, c贸mo modelar y representar simb贸licamente ese conocimiento, y c贸mo razonar autom谩ticamente sobre esas representaciones para lograr acciones inteligentes. Se adquirir谩n habilidades pr谩cticas con el dise帽o de sistemas inteligentes en diferentes 谩reas.
罢贰翱搁脥础:
Unidad 1: Primer orden y l贸gica descriptiva.
Tema 2: Sistemas basados en reglas.
Unidad 3: programaci贸n l贸gica
Unidad 4: Ontolog铆as
Unidad 5: redes sem谩nticas
Unidad 6: Gr谩ficos de conocimiento.
笔搁脕颁罢滨颁础厂
Interactivo I: Representaci贸n y razonamiento con l贸gica de primer orden.
Interactivo II: Representaci贸n y razonamiento con sistemas basados en reglas.
Interactivo III: Representaci贸n y razonamiento con programaci贸n l贸gica.
Interactivo IV: Representaci贸n y razonamiento con ontolog铆as y l贸gica descriptiva.
V interactivo: representaci贸n y razonamiento con redes sem谩nticas y gr谩ficos de conocimiento.
BIBLIOGRAF脥A B脕SICA (en orden de prioridad)
1. Jos茅 Tom谩s Palma M茅ndez y Roque Mar铆n Morales. Inteligencia artificial: m茅todos, t茅cnicas y aplicaciones. Madrid [etc.]: McGraw Hill, polic铆a. 2008 [Sig.: A360 15, Escuela de Ingenier铆a]
2. Stuart Russell y Peter Norvig. Inteligencia artificial: un enfoque moderno. Prentice-Hall, 3陋 edici贸n, 2009. ISBN 0136042597 [Sig.: C10 228, Escuela de Ingenier铆a]
BIBLIOGRAF脥A COMPLEMENTARIA
3. David Lynton Poole, Randy G. Goebel y Alan K. Mackworth. Inteligencia computacional: un enfoque metodol贸gico. Londres: Springer, polic铆a. 2013 [Sig.: L2 2027 2, Biblioteca de Filosof铆a]
BIBLIOGRAF脥A EN L脥NEA
4. Inteligencia artificial (MIT),
5. Inteligencia Artificial M茅dica (MIT),
Se adquirir谩 un conjunto de competencias espec铆ficas para la representaci贸n del conocimiento y el razonamiento, pero tambi茅n una serie de competencias gen茅ricas para cualquier desarrollo de un programa de software y, finalmente, competencias transversales que afectan las habilidades personales y la forma en que se relacionan. Con esto en mente, las competencias son las siguientes:
COMPETENCIAS ESPEC脥FICAS
* Conocimiento y aplicaci贸n de los procedimientos algor铆tmicos b谩sicos de las tecnolog铆as inform谩ticas para dise帽ar soluciones a problemas, analizando la idoneidad y complejidad de los algoritmos propuestos.
* Conocimiento, dise帽o y uso eficiente de los tipos y estructuras de datos m谩s apropiados para resolver un problema.
* Conocimiento y aplicaci贸n de los principios fundamentales y t茅cnicas b谩sicas de los sistemas inteligentes y su aplicaci贸n pr谩ctica.
* Capacidad para comprender el entorno de una organizaci贸n y sus necesidades en el campo de las tecnolog铆as de la informaci贸n y las comunicaciones.
COMPETENCIAS GEN脡RICAS
* Capacidad para recopilar e interpretar datos relevantes (generalmente dentro de su 谩rea de estudio) para emitir juicios que incluyan la reflexi贸n sobre cuestiones sociales, cient铆ficas o 茅ticas relevantes.
* Capacidad para definir, evaluar y seleccionar plataformas de hardware y software para el desarrollo y ejecuci贸n de sistemas inform谩ticos, servicios y aplicaciones.
* Conocimiento de temas b谩sicos y tecnolog铆as que les permiten aprender y desarrollar nuevos m茅todos y tecnolog铆as, as铆 como aquellos que les dan una gran versatilidad para adaptarse a nuevas situaciones.
* Capacidad para resolver problemas con iniciativa, toma de decisiones, autonom铆a y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesi贸n.
COMPETENCIAS TRANSVERSALES
* Instrumental: capacidad de analizar y sintetizar. Habilidades de organizaci贸n y planificaci贸n. Comunicaci贸n oral y escrita en gallego, espa帽ol e ingl茅s. Capacidad de gesti贸n de la informaci贸n. Resoluci贸n de problemas Toma de decisiones.
* Personal: trabajo en equipo. Trabajo en un equipo multidisciplinario y multiling眉e. Habilidades en las relaciones interpersonales. Pensamiento cr铆tico. Compromiso 茅tico.
* Sistem谩tico: aprendizaje aut贸nomo. Adaptaci贸n a nuevas situaciones. Creatividad. Iniciativa y esp铆ritu emprendedor. Motivaci贸n por la calidad. Sensibilidad a los problemas ambientales.
La metodolog铆a de ense帽anza tiene como objetivo enfocar el tema en los aspectos pr谩cticos de la representaci贸n declarativa del conocimiento y el razonamiento, y en los conceptos que diferencian el paradigma declarativo de otros enfoques. Busca comprender las ventajas del enfoque declarativo y las habilidades para desarrollar un programa con solvencia siguiendo la metodolog铆a de Inteligencia Artificial. Con esto en mente, se distinguen dos tipos de actividades de aprendizaje: clases magistrales y sesiones pr谩cticas en grupos peque帽os. As铆:
* Ense帽anza expositiva que consistir谩 b谩sicamente en lecciones del profesor, dedicadas a la exposici贸n de los contenidos te贸ricos y a la resoluci贸n de problemas o ejercicios. Se buscar谩 la participaci贸n activa de los estudiantes.
* La ense帽anza interactiva permitir谩 la adquisici贸n de habilidades pr谩cticas y servir谩 para la ilustraci贸n inmediata de los contenidos te贸rico-pr谩cticos, mediante modelado, verificaci贸n o programaci贸n interactiva.
La evaluaci贸n de la asignatura tendr谩 lugar de dos maneras diferentes, aunque complementarias, que tienen como objetivo evaluar las competencias en la realizaci贸n pr谩ctica de los programas y el dominio de la representaci贸n del conocimiento y el razonamiento. Por otro lado, se har谩 una distinci贸n entre la evaluaci贸n de la oportunidad ordinaria y la de recuperaci贸n:
OPORTUNIDAD ORDINARIA
(1) Examen de los aspectos te贸ricos de la asignatura. No ser谩 obligatorio.
(2) Evaluaci贸n continua presencial durante las clases interactivas, en las que se trabajar谩n decisiones de modelado, representaci贸n, razonamiento y verificaci贸n. Para aprobar la evaluaci贸n continua de la asignatura ser谩 necesario aprobar todas las actividades propuestas tal y como se proponen a lo largo del curso. No se permitir谩 la entrega fuera del plazo establecido durante el semestre. La nota final puede alcanzar un m谩ximo de 7 puntos sobre 10 puntos en la nota final de la asignatura. Se propondr谩 una pr谩ctica optativa como parte optativa de la evaluaci贸n continua, que podr谩 suponer un aumento adicional de 1 punto en la nota de la parte pr谩ctica. Por otro lado, la entrega de alguna actividad interactiva se considerar谩 como se presenta en la asignatura. Finalmente, la copia parcial o total de cualquiera de las entregas supondr谩 la suspensi贸n de toda la asignatura.
C谩lculo de la nota final:
Si el alumno ha superado la evaluaci贸n continua, realiza el examen final y obtiene una nota superior a 5 (sobre 10):
Nota final = NoteEvc + (10- NoteEvc) * NoteEx * 0.1
Si el alumno ha superado la evaluaci贸n continua y no se presenta al examen final o si se presenta, obtiene una nota inferior a 5 (sobre 10):
Nota final = NotaEvc
Si el alumno no ha superado la evaluaci贸n continua y se presenta al examen final:
Calificaci贸n final = NoteEx
Siendo NotaEvc la nota final obtenida en la evaluaci贸n continua y NotaEx la nota obtenida en el examen final de la asignatura.
OPORTUNIDAD DE RECUPERACI脫N
Los criterios de evaluaci贸n de las partes de teor铆a y pr谩ctica en la oportunidad de recuperaci贸n ser谩n exactamente los mismos que para la oportunidad ordinaria. Para aprobar la evaluaci贸n continua de la asignatura, ser谩 necesario aprobar todas las actividades propuestas a medida que se proponen a lo largo del curso.
(1) Estudio aut贸nomo de los conceptos de la asignatura (15 horas). El tiempo dedicado a este estudio no solo incluye el tiempo requerido para prepararse para el examen te贸rico, sino tambi茅n el tiempo requerido para comprender los conceptos te贸ricos para que pueda aplicarlos correctamente a la representaci贸n del conocimiento y el razonamiento.
(2) Ejercicios de escritura y tareas (5 horas). El tiempo dedicado a este escrito est谩 relacionado con el trabajo que debe darse al final de cada una de las actividades interactivas que explican c贸mo se realiz贸.
(3) Complete los ejercicios de las actividades interactivas (15 horas). Este tiempo es necesario para completar los ejercicios fuera de las sesiones de pr谩ctica e internalizar c贸mo resolver el problema planteado en el ejercicio, ya que en las sesiones de pr谩ctica se pone m谩s 茅nfasis en comprender el problema y la forma general en que se resolver谩, mientras que el Los detalles necesarios para completar los ejercicios deben realizarse en el tiempo adicional de trabajo pr谩ctico.
Para poder aprovechar la asignatura y adquirir sus conceptos con cierta fluidez, es muy recomendable aprovechar las clases magistrales y las sesiones de pr谩ctica, ya que, como se presenta en el programa y la metodolog铆a de ense帽anza, estas actividades est谩n directamente relacionadas. Por otro lado, tambi茅n es muy recomendable que explore el material de soporte (p谩ginas web sobre tecnolog铆a, tutoriales en l铆nea sobre entornos de desarrollo, descripci贸n de historias de 茅xito, etc.) que incluye explicaciones adicionales a las de las clases presenciales y que ayudan a Comprender y reforzar los conceptos de la asignatura.
Mar铆a Jes煤s Taboada Iglesias
Coordinador/a- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Ciencia de la Computaci贸n e Inteligencia Artificial
- 罢别濒茅蹿辞苍辞
- 881813561
- Correo electr贸nico
- maria.taboada [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Catedr谩tico/a de Universidad
| 惭颈茅谤肠辞濒别蝉 | |||
|---|---|---|---|
| 09:30-11:30 | Grupo /CLIL_01 | Castellano | IA.S2 |
| 11:30-13:30 | Grupo /CLIL_02 | Castellano | IA.S2 |
| 17:30-19:00 | Grupo /CLE_01 | Castellano | IA.S1 |
| 15.01.2025 16:00-20:00 | Grupo /CLIL_01 | Aula A1 |
| 15.01.2025 16:00-20:00 | Grupo /CLE_01 | Aula A1 |
| 15.01.2025 16:00-20:00 | Grupo /CLIL_02 | Aula A1 |
| 03.07.2025 10:00-14:00 | Grupo /CLIL_02 | Aula A4 |
| 03.07.2025 10:00-14:00 | Grupo /CLIL_01 | Aula A4 |
| 03.07.2025 10:00-14:00 | Grupo /CLE_01 | Aula A4 |