Inteligencia artificial Código:  75.582    :  6
Consulta de los datos generales   Descripción   La asignatura en el conjunto del plan de estudios   Objetivos y competencias   Contenidos   Consulta de los recursos de aprendizaje de los que dispone la asignatura   Recursos de aprendizaje y herramientas de apoyo   Informaciones sobre la evaluación en la UOC   Consulta del modelo de evaluación  
Este es el plan docente de la asignatura para el segundo semestre del curso 2023-2024. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios.

Esta asignatura es una introducción a la Inteligencia Artificial (IA). A lo largo de los 5 módulos en que se ha dividido la asignatura se dará una visión general del campo, se presentarán los métodos y técnicas básicos de la IA y se describirán algunos ejemplos de aplicación, así como también se verá una introducción al aprendizaje computacional.

En particular, se verá cómo formalizar un problema y como la formulación permite aplicar los llamados métodos de búsqueda con el fin de encontrar una solución. Se verán algunos de estos métodos de búsqueda. También se estudiarán algunos de los mecanismos para la representación del conocimiento, necesarios para incorporar en un sistema el conocimiento sobre el entorno a aplicación.

A lo largo de la asignatura se verá que los temas planteados tienen conexiones con otras asignaturas del grado en informática. En particular, el tema de representación del conocimiento está relacionado, entre de otros, con la asignatura que lleva el mismo nombre (Representación del Conocimiento). Como se verá, no hay un único mecanismo de representación del conocimiento sino que hay diversos (se anunciará que la lógica de primer orden es uno de ellos). Eso plantea el problema de escoger la representación más adecuada para un problema, como sucede a la hora de escoger entre diferentes estructuras de datos. Además, la representación del conocimiento necesita implementaciones eficientes dado que la cantidad de conocimiento que se tiene que representar es habitualmente grande. El tema de búsqueda también está relacionado con la asignatura de Grafos y Complejidad. Allí se vieron los grafos y los recorridos en un grafo. Encontrar la solución a un problema se verá como un recorrido en un grafo. Aún estando relacionada con las dos asignaturas, su superación no es un prerrequisito para cursar IA.

La IA tiene una continuación natural en el grado en la asignatura de Aprendizaje Computacional, que cubre los aspectos relacionados con la extracción de características, los modelos de aprendizaje automático (supervisado y no supervisado) sobre un conjunto de datos, y los sistemas basados en agentes. Por este motivo se ha introducido un quinto módulo donde se ve una introducción al Aprendizaje Computacional. El Aprendizaje Computacional es una de les áreas donde más investigación avanzada se está realizando en los últimos años, permitiendo aplicaciones como la conducción automática de vehículos, el diagnóstico automático de enfermedades, el reconocimiento de caras y objetos genéricos, el estudio de grandes volúmenes de datos y redes sociales, y las aplicaciones a la bioinformática y/o estudio del genoma. Todas las técnicas que se utilizan tienen su base en la IA clásica que se introduce en la asignatura de Inteligencia Artificial descrita en este plan docente.

Amunt

A lo largo de la asignatura se verá que los temas planteados tienen conexiones con otras asignaturas del grado en informática. En particular, el tema de representación del conocimiento está relacionado, entre de otros, con la asignatura que lleva el mismo nombre (Representación del Conocimiento). Como se verá, no hay un único mecanismo de representación del conocimiento sino que hay diversos (se anunciará que la lógica de primer orden es uno de ellos). Eso plantea el problema de escoger la representación más adecuada para un problema, como sucede a la hora de escoger entre diferentes estructuras de datos. Además, la representación del conocimiento necesita implementaciones eficientes dado que la cantidad de conocimiento que se tiene que representar es habitualmente grande. El tema de búsqueda también está relacionado con la asignatura de Grafos y Complejidad. Allí se vieron los grafos y los recorridos en un grafo. Encontrar la solución a un problema se verá como un recorrido en un grafo. Aún estando relacionada con las dos asignaturas, su superación no es un prerrequisito para cursar IA.

La IA tiene una continuación natural en el grado en la asignatura de Aprendizaje Computacional, que cubre los aspectos relacionados con la extracción de características, los modelos de aprendizaje automático (supervisado y no supervisado) sobre un conjunto de datos, y los sistemas basados en agentes. El quinto módulo de la asignatura de IA está dedicado a una introducción al Aprendizaje Computacional. El Aprendizaje Computacional es una de les áreas donde más investigación avanzada se está realizando en los últimos años, permitiendo aplicaciones como la conducción automática de vehículos, el diagnóstico automático de enfermedades, el reconocimiento de caras y objetos genéricos, el estudio de grandes volúmenes de datos y redes sociales, y las aplicaciones a la bioinformática y/o estudio del genoma. Todas las técnicas que se utilizan tienen su base en la IA clásica que se introduce en la asignatura de Inteligencia Artificial descrita en este plan docente.

Amunt

Los objetivos de esta asignatura son:

  1. Situar la asignatura y su temario dentro del área de la Inteligencia Artificial.
  2. Introducir los conceptos fundamentales de la Inteligencia Artificial.
  3. Aprender que problemas muy diferentes en apariencia pueden formularse de la misma manera.
  4. Conocer algunos de los algoritmos de resolución de problemas.
  5. Ver las dificultades de la representación del conocimiento.
  6. Estudiar algunos de los formalismos de representación del conocimiento existentes.
  7. Descubrir la problemática de la representación del conocimiento cuando el conocimiento es incompleto.
  8. Conocer los diferentes tipos de aprendizaje computacional (supervisado, no supervisado y por refuerzo), así como los algoritmos más habituales para cada uno de ellos.

Competencias de grado:

  • Capacidad de analizar un problema en el nivel de abstracción adecuado a cada situación y aplicar las habilidades y conocimientos adquiridos para abordarlo y resolverlo.
  • Capacidad para proponer y evaluar diferentes alternativas tecnológicas para resolver un problema concreto.

Competencias específicas:

  • Saber representar les particularidades de un problema según un modelo de representación del conocimiento.
  • Saber resolver problemas intratables a partir de razonamientos aproximados y heurísticos (algoritmos voraces, algoritmos genéticos, lógica difusa, redes bayesianas, redes neuronales, min-max).
  • Conocer los diferentes modelos de representación del conocimiento (marcos, sistemas basados en reglas, razonamiento basado en casos, ontologías, programación lógica).

 

Amunt

La asignatura está dividida en cuatro módulos didácticos y un anexo.

Módulo 1. Qué es la inteligencia artificial.
Este módulo introduce la asignatura y pretende dar algunas respuestas a la pregunta de que es la inteligencia artificial. Con el fin de dar una visión práctica de este campo, se describen algunas de las aplicaciones existentes. Este módulo permite situar los otros en el contexto de la inteligencia artificial.

Módulo 2. Resolución de problemas y búsqueda.
Aquí se verá cómo formular un problema con el fin de encontrar una solución. Se verán algunos tipos de problemas y algunos algoritmos con el fin de resolverlos. Por ejemplo, se verán los algoritmos generales para encontrar la solución en un juego con adversario (por ejemplo el tres en raya o el ajedrez).

Módulo 3. Sistemas basados en el conocimiento.
El módulo presenta sistemas que utilizan conocimiento del entorno a la aplicación. Se verán diferentes alternativas con el fin de representar la información que necesitan los sistemas.

Módulo 4. Incertidumbre y razonamiento aproximado.
Para tratar situaciones diferentes se han desarrollado mecanismos de representación específicos. Por ejemplo, se han creado herramientas para razonar sobre el tiempo (que es antes o después), para razonar sobre el espacio (qué hay delante o detrás). En este módulo nos centramos en una de las cuestiones: como trabajar cuando la información de que se dispone no se completa. Se verán los sistemas difusos para tratar este problema.

Módulo 5. Introducción al aprendizaje computacional

El módulo está dedicado a una introducción al aprendizaje computacional, más conocido como Machine Learning. En este módulo, haremos un repaso más superficial e introductorio de sus principios, conceptos generales y métodos existentes más relevantes. El módulo consta de 5 temas:

  • El primer tema está destinado a exponer la clasificación del tipo de aprendizaje computacional más frecuentemente utilizada: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.
  • El segundo tema se aprofunde en el aprendizaje supervisado: kNN, árboles de decisión, SVM y redes neuronales.
  • El tercer tema presenta una visión del aprendizaje no supervisado a partir de los algoritmos de agrupamiento: k-means y fuzzy c-means.
  • El cuarto tema está dedicado al estudio de los algoritmos de aprendizaje por refuerzo: Q-learning y algoritmos genéticos.
  • En el quinto y último tema se exponen los fundamentos teóricos de la partición de datos y los protocolos de validación en el aprendizaje computacional.

A continuación se muestra el contenido de cada uno de estos módulos.

Módulo didáctico 1
Que es la inteligencia artificial (0.5 créditos)

1. Breve repaso histórico de la inteligencia artificial

2. Que es la inteligencia artificial: Definiciones y puntos de vista

3. Algunas aplicaciones

4. Algunas características de los programas

Módulo didáctico 2
Resolución de problemas y búsqueda (1.5 créditos)

1. Resolución de problemas y búsqueda: introducción

2. Construcción de una solución

3. Estrategias de búsqueda no informada

4. Coste y función heurística

5. Búsqueda con adversario: los juegos

Módulo didáctico 3
Sistemas basados en el conocimiento (1.5 créditos)

1. Sistemas basados en el conocimiento: introducción

2. La representación del conocimiento

3. Sistemas basados en reglas

4. Sistemas con representación estructurada

5. Sistema de razonamiento basado en casos

6. Sistemas de razonamiento basado en modelos

Módulo didáctico 4
Incertidumbre y razonamiento aproximado (1.5 créditos)

1. Razonamiento con información incompleta: incertidumbre e imprecisión

2. Sistemas difusos

Módulo didáctico 5
Introducción al aprendizaje computacional (1 crédito)

1. Taxonomía de las técnicas de aprendizaje computacional

2. Métodos de aprendizaje supervisado

3. Métodos de aprendizaje no supervisado

4. Métodos de aprendizaje por refuerzo

5. Partición de datos y protocolos de validación

Amunt

Amunt

La asignatura se compone de los módulos didácticos en formato digital (pdf, web, etc.), que contienen ejercicios de autoevaluación con soluciones y actividades diversas.

Este material se complementará con aquél que los profesores colaboradores pongan al alcance de los estudiantes al aula de la asignatura.

En el material didáctico se incluye la bibliografía complementaria para cada módulo.

Amunt

El proceso de evaluación se fundamenta en el trabajo personal de cada estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados.

La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; el intento fraudulento de obtener un resultado académico mejor; la colaboración, el encubrimiento o el favorecimiento de la copia, o la utilización de material o dispositivos no autorizados durante la evaluación, entre otras, son conductas irregulares que pueden tener consecuencias académicas y disciplinarias graves.

Por un lado, si se detecta alguna de estas conductas irregulares, puede comportar el suspenso (D/0) en las actividades evaluables que se definan en el plan docente –incluidas las pruebas finales– o en la calificación final de la asignatura, ya sea porque se han utilizado materiales o dispositivos no autorizados durante las pruebas, como redes sociales o buscadores de información en internet, porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas del resto de estudiantes, etc.) sin la correspondiente citación, o porque se ha practicado cualquier otra conducta irregular.

Por el otro, y de acuerdo con las normativas académicas, las conductas irregulares en la evaluación, además de comportar el suspenso de la asignatura, pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda.

Amunt

Puedes superar la asignatura a través de dos vías:

  1. Con evaluación continua (EC) y una prueba de síntesis (PS):
    • Si superas la evaluación continua y en la prueba de síntesis obtienes la nota mínima necesaria, la nota final será la ponderación que se especifique en el plan docente.
    • Si superas la evaluación continua y en la prueba de síntesis no obtienes la nota mínima necesaria, la calificación final será la nota cuantitativa que obtengas en la prueba de síntesis.
    • Si superas la evaluación continua y no te presentas a la prueba de síntesis, la nota final será un No presentado.
    • Si suspendes la evaluación continua, la nota final será un No presentado.
    • Si no te presentas a la evaluación continua, la nota final será un No presentado.

  2. Con examen (para seguir esta vía no es necesario haber superado la evaluación continua para hacer el examen):
    • Si no has presentado la evaluación continua, la nota final será la calificación numérica obtenida en el examen.
    • Si en la evaluación continua has obtenido una nota distinta a un No presentado, la nota final será el cálculo más favorable entre la nota numérica del examen y la ponderación de la nota de la evaluación continua con la nota del examen, según lo establecido en el plan docente. Para aplicar este cálculo, es necesario obtener una nota mínima de 4 en el examen (si es inferior, la nota final de la asignatura será la calificación del examen).
    • Si no te presentas al examen, la calificación final será un No presentado.

 

Amunt