Competencias y objetivos

 

Contexto de la asignatura para el curso 2024-25

La asignatura está ubicada en el primer semestre del Máster Universitario en Inteligencia Artificial e introduce al estudiante en el uso de las técnicas de Razonamiento bajo incertidumbre, con el objetivo de estudiar, a través de casos prácticos, la naturaleza o los sistemas óptimos de razonamiento computacional bajo incertidumbre, en las ingenierías, apoyándose en tecnologías de la información y las comunicaciones.

 

 

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

Competencias Transversales

  • CT1 : Ser capaz de liderar proyectos relacionados con la inteligencia artificial, así como dirigir equipos de trabajo.
  • CT2 : Demostrar destrezas informáticas e informacionales en el ámbito de la inteligencia artificial.
  • CT3 : Demostrar habilidades en comunicación oral y escrita.

 

Competencias Generales

  • CG1 : Aplicar los conocimientos adquiridos a problemas reales relacionados con la inteligencia artificial.
  • CG10 : Ser capaz de utilizar los principios de la ingeniería y las modernas tecnologías informáticas para investigar, diseñar, implementar nuevas aplicaciones de la inteligencia artificial.
  • CG2 : Ser capaz de desarrollar y aprender de forma auto-dirigida o autónoma temas relacionados con la inteligencia artificial
  • CG7 : Ser capaz de adaptarse a la constante evolución de la disciplina y de comprender y aplicar los nuevos avances técnicocientíficos relacionados con la inteligencia artificial.
  • CG8 : Saber proyectar, diseñar, desarrollar, implantar y mantener productos, aplicaciones y servicios relacionados con la inteligencia artificial, teniendo en cuenta aspectos técnicos, económicos y de eficiencia.

 

Competencias Específicas

  • CE02 : Seleccionar y aplicar el modelo adecuado para tratar la incertidumbre en la representación del conocimiento para un determinado problema.
  • CE03 : Diseñar e implementar sistemas inteligentes que permitan tomar decisiones a partir de un contexto en el que existe incertidumbre en los datos de entrada.

 

Competencias Básicas

  • CB10 : Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
  • CB6 : Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
  • CB7 : Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
  • CB8 : Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
  • CB9 : Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

 

 

 

Resultados de aprendizaje (Objetivos formativos)

- Conocer y comprender los modelos más comunes de razonamiento probabilístico y modelos de razonamiento probabilístico en el tiempo.

- Seleccionar, diseñar e implementar un modelo de razonamiento probabilístico para la resolución de un problema.

- Describir la relación entre preferencias y funciones de utilidad.

- Representar un problema de decisión mediante una red de decisión.

- Diseñar e implementar un sistema experto difuso.

 

 

Objetivos específicos indicados por el profesorado para el curso 2024-25

Entre los objetivos formativos de esta asignatura destacamos:

- Entender el funcionamiento del razonamiento bajo incertidumbre.

- Conocer los distintos métodos y técnicas utilizados en la lógica difusa para la extracción de información.

- Conocer las técnicas de inferencia y probabilidad utilizadas en el razonamiento bajo incertidumbre.

- Saber definir redes neuronales basados en grafos para aplicaciones del mundo real.

- Identificar sistemas expertos y sus aplicaciones.

- Adquirir la habilidad de aplicar técnicas de razonamiento bajo incertidumbre para resolver problemas del mundo real.

 

 

Datos generales

Código: 43502
Profesor/a responsable:
Curado Navarro, Manuel
Crdts. ECTS: 4,50
Créditos teóricos: 0,90
Créditos prácticos: 0,90
Carga no presencial: 2,70

Departamentos con docencia

  • Dep.: CIENCIA DE LA COMPUTACION E INT. ARTIF.
    Área: CIENCIA DE LA COMPUTACION, INTELIGENCIA ARTIFICIAL
    Créditos teóricos: 0,9
    Créditos prácticos: 0,9
    Este dep. es responsable de la asignatura.
    Este dep. es responsable del acta.

Estudios en los que se imparte