Competencias y objetivos

 

Contexto de la asignatura para el curso 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

 

 

Competencias de la asignatura (verificadas por ANECA en grados y másteres oficiales) para el curso 2024-25

Competencias Transversales

  • 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.

 

Competencias Generales

  • 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

 

Competencias Específicas

  • 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.

 

Competencias Básicas

  • CB3 : Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
  • CB5 : Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

 

 

 

Resultados de aprendizaje (Objetivos formativos)

 

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.

 

 

 

Objetivos específicos indicados por el profesorado para el curso 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

 

 

Datos generales

Código: 33663
Profesor/a responsable:
VIEJO HERNANDO, DIEGO
Crdts. ECTS: 6,00
Créditos teóricos: 1,20
Créditos prácticos: 1,20
Carga no presencial: 3,60

Departamentos con docencia

  • Dep.: CIENCIA DE LA COMPUTACION E INT. ARTIF.
    Área: CIENCIA DE LA COMPUTACION, INTELIGENCIA ARTIFICIAL
    Créditos teóricos: 1,2
    Créditos prácticos: 1,2
    Este dep. es responsable de la asignatura.
    Este dep. es responsable del acta.

Estudios en los que se imparte