Competències i objectius

 

Context de l'assignatura per al curs 2024-25

La representación del conocimiento juega un papel fundamental en el desarrollo de la I.A. moderna. En este contexto, la lógica aporta la formalización necesaria para la representación de hechos y reglas de producción que permiten la deducción de nuevo conocimiento o la demostración de teoremas. También resulta esencial poder trabajar en entornos inciertos, modelando mediante el uso de la teoría de la probabilidad aquellas partes del discurso que nos son desconocidas.

En esta asignatura repasaremos los métodos clasicos de razonamiento y representación del conocimiento y veremos cómo se utilizan hoy en día con ejemplos en el área de la robótica móvil y el aprendizaje automático

 

 

Competències de l'assignatura (verificades per ANECA en graus i màsters oficials) per al curs 2024-25

Competències transversals

  • CT01 : Utilitzar de manera habitual les eines informàtiques, així com les tecnologies de la informació i les comunicacions, en tot el seu acompliment professional.
  • CT02 : Comunicar de manera oral i escrita transmetent informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.

 

Competències generals

  • CG2 : Conéixer, seleccionar i aplicar mètodes dels diferents camps de la intel·ligència artificial per a la resolució de problemes d'enginyeria.
  • CG4 : Obtindre solucions eficients, òptimes i/o probables aplicant els principis propis de l'enginyeria i el mètode científic, descrivint de forma adequada el problema i realitzant una avaluació sòlida de la proposta
  • CG7 : Resoldre problemes d'intel·ligència artificial nous o multidisciplinàries, mostrant iniciativa i originalitat en el desenvolupament, després d'analitzar i entendre les especificacions plantejades

 

Competències Específiques

  • CE25 : Diferenciar les diferents estratègies per a representar i organitzar el coneixement i aplicar-les a contextos d'intel·ligència artificial basats en coneixement i raonament orientats a la presa de decisions i a la planificació.

 

Competències bàsiques

  • CB3 : Que els estudiants tinguen la capacitat de reunir i interpretar dades rellevants (normalment dins de la seua àrea d'estudi) per a emetre judicis que incloguen una reflexió sobre temes rellevants d'índole social, científica o ètica
  • CB5 : Que els estudiants hagen desenvolupat aquelles habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia

 

 

 

Resultats d'aprenentatge (Objectius formatius)

1. Comparar i contrastar els models més comuns utilitzats per a la representació del coneixement estructurat, destacant els seus punts forts i febles.

2. Identificar els components del raonament no monotónico i la seua utilitat com a mecanisme de representació dels sistemes de creences.

3. Conéixer les tècniques d'encadenament progressiu i regressiu per al raonament basades en regles.

4. Identificar els avantatges i desavantatges dels sistemes experts basats en regles i proposar alternatives per a la representació i inferència del coneixement.

5. Construir, identificar i utilitzar arbres de decisió per a processos de raonament en sistemes no monotónicos.

6. Explicar la diferència entre el raonament temporal i l'espacial, i com es relacionen.

7. Definir el concepte de sistema de planificació i com es diferencia de les tècniques de cerca clàssiques.

8. Descriure les diferències entre la planificació per cerca, la planificació basada en operadors i la planificació proposicional amb exemples d'àmbits en els quals cadascun d'ells és més aplicable.

9. Desenvolupar un sistema de raonament des de primers principis, en condicions tecnològiques de recursos limitats, amb requeriments d'eficiència i estabilitat.

 

 

Objectius específics indicats pel professorat per al curs 2024-25

  1. Comparar y contrastar los modelos más comunes utilizados para la representación del conocimiento
  2. Comprender el uso de la lógica de primer orden como herramienta de representación del conocimiento e inferencia de nuevo conocimiento
  3. Conocer el funcionamiento de sistemas expertos basados en reglas
  4. Conocer la potencia expresiva que nos ofrece la lógica difusa
  5. Comprender cómo podemos incluir la incertidumbre en la representación del conocimiento
  6. Conocer los métodos que nos permiten realizar razonamiento bajo incertidumbre
  7. Entender cómo evoluciona un sistema de razonamiento bajo incertidumbre en el tiempo
  8. Conocer cómo se mantiene el conocimiento en una aplicación real de la I.A. como el uso de mapas de entorno en robótica móvil
  9. Comprender las diferencias en la representación y uso del conocimiento en los diferentes tipos de mapas de entorno en robótica móvil
  10. Conocer cómo se representa el conocimiento en algunos de los métodos de aprendizaje automático actuales
  11. Comprender cómo se maneja el conocimiento en redes neuronales convolucionales
  12. Comprender cómo se maneja el conocimiento en metodologías de aprendizaje automático basadas en transformers

 

 

Dades generals

Codi: 33663
Professor/a responsable:
VIEJO HERNANDO, DIEGO
Crèdits ECTS: 6,00
Crèdits teòrics: 1,20
Crèdits pràctics: 1,20
Càrrega no presencial: 3,60

Departaments amb docència

  • Dep.: CIENCIA DE LA COMPUTACIO I INT. ARTIF.
    Àrea: CIENCIA DE LA COMPUTACIO, INTEL·LIGENCIA ARTIFICIA
    Crèdits teòrics: 1,2
    Crèdits pràctics: 1,2
    Aquest departament és responsable de l'assignatura.
    Aquest dep. és responsable de l'acta.

Estudis en què s'imparteix