Competències i objectius

 

Context de l'assignatura per al curs 2024-25

Ubicada en el primer semestre del Máster Universitario en Inteligencia Artificial, esta asignatura proporciona una introducción teórica y práctica a los conceptos fundamentales de los agentes inteligentes y los sistemas multiagente. El enfoque práctico de la asignatura se centrará además en el Modelado Basado en Agentes (ABM).

 

 

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

Competències transversals

  • CT1 : Ser capaç de liderar projectes relacionats amb la intel·ligència artificial, així com dirigir equips de treball.
  • CT2 : Demostrar destreses informàtiques i informacionals en l'àmbit de la intel·ligència artificial.
  • CT3 : Demostrar habilitats en comunicació oral i escrita.

 

Competències generals

  • CG1 : Aplicar els coneixements adquirits a problemes reals relacionats amb la intel·ligència artificial.
  • CG10 : Ser capaç d'utilitzar els principis de l'enginyeria i les modernes tecnologies informàtiques per a investigar, dissenyar, implementar noves aplicacions de la intel·ligència artificial.
  • CG2 : Ser capaç de desenvolupar i aprendre de forma acte-dirigida o autònoma temes relacionats amb la intel·ligència artificial
  • CG7 : Ser capaç d'adaptar-se a la constant evolució de la disciplina i de comprendre i aplicar els nous avanços técnicocientíficos relacionats amb la intel·ligència artificial.
  • CG8 : Saber projectar, dissenyar, desenvolupar, implantar i mantenir productes, aplicacions i serveis relacionats amb la intel·ligència artificial, tenint en compte aspectes tècnics, econòmics i d'eficiència.

 

Competències Específiques

  • CE04 : Seleccionar i aplicar l'arquitectura adequada de sistemes multiagente per a resoldre un determinat problema
  • CE05 : Dissenyar i implementar sistemes multiagente tenint en compte les seues capacitats cognitives, de coordinació i comunicació.

 

Competències bàsiques

  • CB10 : Que els estudiants posseïsquen les habilitats d'aprenentatge que els permeten continuar estudiant d'una manera que haurà de ser en gran manera autodirigido o autònom.
  • CB6 : Posseir i comprendre coneixements que aporten una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
  • CB7 : Que els estudiants sàpien aplicar els coneixements adquirits i la seua capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seua àrea d'estudi
  • CB8 : Que els estudiants siguen capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, incloga reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis
  • CB9 : Que els estudiants sàpien comunicar les seues conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats

 

 

 

Resultats d'aprenentatge (Objectius formatius)

- Comparar i contrastar les diferents arquitectures d'agents i organitzacions.

- Entendre les capacitats cognitives, de comunicació i de coordinació dels sistemes multiagente.

- Dissenyar aplicacions de sistemes multiagente mitjançant eines informàtiques distribuïdes i de simulació.

- Identificar correctament l'aplicabilitat de diferents tipus de sistemes d'agents intel·ligents en contextos més amplis i multidisciplinaris així com els avantatges aportats a aquests contextos.

 

 

Objectius específics indicats pel professorat per al curs 2024-25

1. Comprender el concepto de sistemas multiagente y diferenciarlo de otros campos
2. Comprender y aplicar modelos BDI (Belief-Desire-Intention).
3. Discernir la importancia y el uso de la comunicación y coordinación en sistemas multiagente.
4. Familiarizarse con los fundamentos del modelado basado en agentes (ABM) y su utilidad.
5. Adquirir habilidad en el uso de una plataforma practica para implementar y experimentar con modelos basados en agentes.
6. Conocer y comprender el papel del aprendizaje en los sistemas multiagente.
7. Explorar y adquirir una comprensión de varios algoritmos inspirados en la naturaleza.
8. Aprender a analizar y evaluar modelos basados en agentes a través de ejemplos prácticos.

 

 

Dades generals

Codi: 43501
Professor/a responsable:
Fraile Beneyto, Raúl
Crèdits ECTS: 4,50
Crèdits teòrics: 0,90
Crèdits pràctics: 0,90
Càrrega no presencial: 2,70

Departaments amb docència

  • Dep.: CIENCIA DE LA COMPUTACIO I INT. ARTIF.
    Àrea: CIENCIA DE LA COMPUTACIO, INTEL·LIGENCIA ARTIFICIA
    Crèdits teòrics: 0,9
    Crèdits pràctics: 0,9
    Aquest departament és responsable de l'assignatura.
    Aquest dep. és responsable de l'acta.

Estudis en què s'imparteix