Competencies and objectives

 

Course context for academic year 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

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2024-25

Transversal Competences

  • CT01 : Utilizar de forma habitual las herramientas informáticas, así como las tecnologías de la información y las comunicaciones, en todo su desempeño profesional.
  • CT02 : Comunicar de forma oral y escrita transmitiendo información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

 

General Competences

  • CG2 : Conocer, seleccionar y aplicar métodos de los diferentes campos de la inteligencia artificial para la resolución de problemas de ingeniería.
  • CG4 : Obtener soluciones eficientes, óptimas y/o probables aplicando los principios propios de la ingeniería y el método científico, describiendo de forma adecuada el problema y realizando una evaluación sólida de la propuesta.
  • CG7 : Resolver problemas de inteligencia artificial novedosos o multidisciplinares, mostrando iniciativa y originalidad en el desarrollo, después de analizar y entender las especificaciones planteadas

 

Specific Competences

  • CE25 : Diferenciar las distintas estrategias para representar y organizar el conocimiento y aplicarlas a contextos de inteligencia artificial basados en conocimiento y razonamiento orientados a la toma de decisiones y a la planificación.

 

Basic Competences

  • CB3 : Students must be able to gather and interpret relevant data (usually within their area of study) in order to make judgements that include reflection on relevant social, scientific or ethical issues.
  • CB5 : Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

 

 

 

Learning outcomes (Training objectives)

1. Comparar y contrastar los modelos más comunes utilizados para la representación del conocimiento estructurado, destacando sus puntos fuertes y débiles.

2. Identificar los componentes del razonamiento no monotónico y su utilidad como mecanismo de representación de los sistemas de creencias.

3. Conocer las técnicas de encadenamiento progresivo y regresivo para el razonamiento basadas en reglas.

4. Identificar las ventajas y desventajas de los sistemas expertos basados en reglas y proponer alternativas para la representación e inferencia del conocimiento.

5. Construir, identificar y utilizar árboles de decisión para procesos de razonamiento en sistemas no monotónicos.

6. Explicar la diferencia entre el razonamiento temporal y el espacial, y cómo se relacionan.

7. Definir el concepto de sistema de planificación y cómo se diferencia de las técnicas de búsqueda clásicas.

8. Describir las diferencias entre la planificación por búsqueda, la planificación basada en operadores y la planificación proposicional con ejemplos de ámbitos en los que cada uno de ellos es más aplicable.

9. Desarrollar un sistema de razonamiento desde primeros principios, en condiciones tecnológicas de recursos limitados, con requerimientos de eficiencia y estabilidad.



 

 

Specific objectives stated by the academic staff for academic year 2024-25

No data

 

 

General

Code: 33663
Lecturer responsible:
VIEJO HERNANDO, DIEGO
Credits ECTS: 6,00
Theoretical credits: 1,20
Practical credits: 1,20
Distance-base hours: 3,60

Departments involved

  • Dept: SCIENCE OF COMPUTING AND ARTIFICIAL INTELLIGENCE
    Area: CIENCIA DE LA COMPUTACIO, INTEL·LIGENCIA ARTIFICIA
    Theoretical credits: 1,2
    Practical credits: 1,2
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught