Cr茅ditos ECTS
Cr茅ditos ECTS: 3
Horas ECTS Criterios/Memorias
Horas de Tutor铆as: 1
Clase Expositiva: 10
Clase Interactiva: 11
Total: 22
Lenguas de uso
滨苍驳濒茅蝉
Tipo:
Materia Ordinaria 惭谩蝉迟别谤 RD 1393/2007 - 822/2021
Departamentos:
Electr贸nica y Computaci贸n,
Departamento externo vinculado a las titulaciones
脕谤别补蝉:
Ciencia de la Computaci贸n e Inteligencia Artificial, 脕谤别补 externa M.U en Intelixencia 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
路 Conocer los modelos computacionales de la mente humana
路 Distinguir los procesos b谩sicos asociados a la inteligencia humana
路 Conocer las principales aproximaciones computacionales a la cognici贸n social
1. Modelos computacionales de la mente humana.
2. Elementos de una arquitectura cognitiva y tipos de arquitecturas.
3. Tipos de memorias y su utilizaci贸n.
4. Formas de representaci贸n del conocimiento.
5. Tipos de aprendizaje
Bibliograf铆a b谩sica:
Kahneman, D. (2012). Pensar r谩pido, pensar despacio. Debate.
1. B谩sicas y generales
CG1 - Mantener y extender planteamientos te贸ricos fundados para permitir la introducci贸n y explotaci贸n de tecnolog铆as nuevas y avanzadas en el campo de la Inteligencia Artificial.
CG2 - Abordar con 茅xito todas las etapas de un proyecto de Inteligencia Artificial.
CG3 - Buscar y seleccionar la informaci贸n 煤til necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliogr谩ficas del campo.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicaci贸n de ideas, a menudo en un contexto de investigaci贸n
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resoluci贸n de problemas en entornos nuevos o poco conocidos dentro de contextos m谩s amplios (o multidisciplinares) relacionados con su 谩rea de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones 煤ltimas que las sustentan a p煤blicos especializados y no especializados de un modo claro y sin ambig眉edades
2. Transversales
CT3 - Utilizar las herramientas b谩sicas de las tecnolog铆as de la informaci贸n y las comunicaciones (TIC) necesarias para el ejercicio
de su profesi贸n y para el aprendizaje a lo largo de su vida.
CT5 - Entender la importancia de la cultura emprendedora y conocer los medios al alcance de las personas emprendedoras.
CT7 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, econ贸mico, pol铆tico y social.
CT8 - Valorar la importancia que tiene la investigaci贸n, la innovaci贸n y el desarrollo tecnol贸gico en el avance socioecon贸mico y cultural de la sociedad.
3. Espec铆ficas
CE5 - Capacidad para dise帽ar y desarrollar sistemas inteligentes mediante la aplicaci贸n de algoritmos de inferencia, representaci贸n del conocimiento y planificaci贸n autom谩tica.
CE6 - Capacidad para reconocer aquellos problemas que necesiten de una arquitectura distribuida que no est茅 prefijada durante el dise帽o del sistema, que ser谩n adecuados para la implementaci贸n de sistemas multiagente inteligentes.
CE7 - Capacidad para entender las implicaciones del desarrollo de un sistema inteligente explicable e interpretable.
CE8 - Capacidad para dise帽ar y desarrollar sistemas inteligentes seguros, en t茅rminos de integridad, confidencialidad y robustez.
Aprendizaje por proyectos: se plantea al alumnado proyectos pr谩cticos cuyo alcance requiere que se le dedique un parte importante de la dedicaci贸n total del alumno a la asignatura. Adem谩s, por el alcance de los trabajos a realizar, se requiere no s贸lo que el alumnado aplique competencias de gesti贸n adem谩s de competencias de 铆ndole t茅cnica.
Tutor铆as: el profesorado atender谩 al alumnado en sesiones de tutor铆as individualizadas dedicadas a la orientaci贸n en el estudio y la resoluci贸n de dudas sobre los contenidos y trabajos de la asignatura.
Trabajo aut贸nomo: el profesorado plantea al alumnado un trabajo cuyo alcance y objetivos requieren que sea trabajado por los alumnos de forma aut贸noma, aunque con la tutela del profesorado de la asignatura. En general, se aplica a trabajos con un alcance temporal y de esfuerzo superior al de las pr谩cticas de laboratorio.
Estudio de casos: se plantea al alumnado un escenario de trabajo, real o ficticio, que presenta una determinada problem谩tica. El alumnado debe aplicar los conocimientos te贸rico-pr谩cticos de la asignatura para buscar una soluci贸n a la cuesti贸n o cuestiones planteadas. Como norma general, el estudio de casos se realizar谩 en grupos. Los distintos grupos de trabajo expondr谩n y pondr谩n en com煤n sus soluciones.
M茅todo expositivo / lecci贸n magistral: el profesorado presenta un tema al alumnado con el objetivo de facilitar un conjunto de informaci贸n con alcance concreto. Esta metodolog铆a docente se aplicar谩 a la actividad formativa "Clases de teor铆a".
Pr谩cticas de laboratorio: el profesorado de la materia plantea al alumnado un problema o problemas de car谩cter pr谩ctico cuya resoluci贸n requiere la comprensi贸n y aplicaci贸n de los contenidos te贸rico-pr谩cticos incluidos en los contenidos de la materia.El alumnado puede trabajar la soluci贸n a los problemas planteados de forma individual o en grupos. Esta metodolog铆a docente se aplicar谩 a la actividad formativa "Clases pr谩cticas de laboratorio" y se podr谩 aplicar a la actividad formativa de "Sesiones de aprendizaje basado en problemas, seminarios, estudio de casos y proyectos".
La evaluaci贸n del aprendizaje considera tanto la parte te贸rica como la pr谩ctica. Para superar la materia ha de conseguirse una nota global igual o superior a 5, sobre una puntuaci贸n m谩xima de 10 puntos en las actividades de evaluaci贸n previstas. El peso de cada una de las partes es el siguiente:
E1: Examen final: 50%
E2: Evaluaci贸n de trabajos pr谩cticos: 50%
Obtendr谩n la calificaci贸n de no presentado los/las estudiantes que no se hayan presentado al examen ni se hayan sometido a la evaluaci贸n de ninguna otra actividad obligatoria.
Para superar la asignatura en la segunda oportunidad el alumnado deber谩 someterse a la evaluaci贸n de todas aquellas partes o entregas obligatorias pendientes que se establezcan. Para el resto se conservar谩n las calificaciones obtenidas durante el curso.
En el caso de realizaci贸n fraudulenta de ejercicios o pruebas, ser谩 de aplicaci贸n lo recogido en la normativa de evaluaci贸n del rendimiento acad茅mico del alumnado y de revisi贸n de las calificaciones (). En aplicaci贸n de la normativa de la ETSE sobre plagio (aprobada por la Xunta da ETSE el 19/12/2019), la copia total o parcial de alg煤n ejercicio de pr谩cticas o teor铆a supondr谩 el suspenso de las dos oportunidades del curso, con la calificaci贸n de 0,0 en ambos casos ().
Tiempo de trabajo presencial: 21 horas totales. Las sesiones presenciales est谩n divididas en: 10h (Clases de teor铆a), 7h (Clases pr谩cticas de laboratorio), 4h (Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos).
Tiempo de trabajo personal: 54h (total).
Se recomienda que el alumnado resuelva, implemente, verifique y valide todos los ejercicios y pr谩cticas propuestos (no solamente los evaluables). Igualmente se considera importante hacer uso de las tutor铆as para la resoluci贸n de dudas y una participaci贸n activa en las sesiones expositivas e interactivas.
La asignatura se imparte en ingl茅s.
Eduardo Manuel S谩nchez Vila
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
- 881816466
- Correo electr贸nico
- eduardo.sanchez.vila [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Titular de Universidad
| 惭颈茅谤肠辞濒别蝉 | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLE_01 | 滨苍驳濒茅蝉 | IA.12 |
| 17.01.2025 10:30-14:00 | Grupo /CLE_01 | IA.12 |
| 17.01.2025 10:30-14:00 | Grupo /CLIL_01 | IA.12 |
| 25.06.2025 10:30-14:00 | Grupo /CLIL_01 | IA.12 |
| 25.06.2025 10:30-14:00 | Grupo /CLE_01 | IA.12 |