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
-
MÁSTER UNIVERSITARIO EN INTELIGENCIA ARTIFICIAL
Tipo de asignatura: OBLIGATORIA (Curso: 1)