Competències i objectius

 

Context de l'assignatura per al curs 2025-26

La asignatura está ubicada en el segundo curso del Grado en Inteligencia Artificial e introduce al estudiante en el uso de las técnicas de Razonamiento bajo incertidumbre, con el objetivo de estudiar la naturaleza o los sistemas óptimos de razonamiento bajo incertidumbre, en las ingenierías, apoyándose en tecnologías de la información y las comunicaciones.

 

 

Resultats d'aprenentatge / Competències de l'assignatura (verificades per ANECA en graus i màsters oficials) per al curs 2025-26

Competències transversals

  • CT01 : Utilitzar de manera habitual les eines informàtiques, així com les tecnologies de la informació i les comunicacions, en tot el seu acompliment professional.
  • CT02 : Comunicar de manera oral i escrita transmetent informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.

 

Competències generals

  • CG2 : Conéixer, seleccionar i aplicar mètodes dels diferents camps de la intel·ligència artificial per a la resolució de problemes d'enginyeria.
  • CG4 : Obtindre solucions eficients, òptimes i/o probables aplicant els principis propis de l'enginyeria i el mètode científic, descrivint de forma adequada el problema i realitzant una avaluació sòlida de la proposta
  • CG6 : Concebre, desenvolupar i aplicar sistemes d'intel·ligència artificial per a millorar els sectors productius i la societat actual, determinant la seua idoneïtat i àmbit d'aplicació
  • CG7 : Resoldre problemes d'intel·ligència artificial nous o multidisciplinàries, mostrant iniciativa i originalitat en el desenvolupament, després d'analitzar i entendre les especificacions plantejades

 

Competències Específiques

  • CE11 : Aplicar els fonaments de l'estadística bayesiana i les diferents tècniques de computació intensiva per a implementar inferència i predicció Bayesiana
  • CE26 : Seleccionar i aplicar representacions adequades de la informació i tècniques de raonament i presa de decisions en ambients d'incertesa

 

Competències bàsiques

  • CB3 : Que els estudiants tinguen la capacitat de reunir i interpretar dades rellevants (normalment dins de la seua àrea d'estudi) per a emetre judicis que incloguen una reflexió sobre temes rellevants d'índole social, científica o ètica
  • CB5 : Que els estudiants hagen desenvolupat aquelles habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia

 

 

 

Resultats d'aprenentatge (Objectius formatius)

1. Descriure les bases del raonament sota incertesa, les seues característiques i l'efecte de les mateixes en els processos d'inferència.

2. Identificar diferents models per a representar el coneixement sota incertesa

3. Modelar, utilitzar i dissenyar sistemes experts difusos.

4. Explicar les bases de les xarxes Bayesianes, com representen el coneixement estocàstic i com inferir nou coneixement a partir d'elles.

5. Identificar les bases de la teoria de la decisió en ambients simples mitjançant l'ús de funcions d'utilitat i xarxes de decisió.

6. Formalitzar mitjançant processos de decisió de Markov problemes de raonament sota incertesa de seqüències temporals.

7. Descriure la base de la inferència en sistemes temporals i diferenciar entre filtrat, predicció i suavitzat.

8. Modelar un problema discret com un model ocult de Markov i ser capaços d'obtindre la seqüència més probable que explique una observació.

9. Utilitzar el filtrat de Kalman per a identificar l'estat ocult d'un sistema millorant el seu acompliment.

 

 

Objectius específics indicats pel professorat per al curs 2025-26

1. Identificar distintos modelos para representar el conocimiento bajo incertidumbre

2. Modelar, utilizar y diseñar sistemas expertos difusos.

3. Explicar las bases de las redes Bayesianas, cómo representan el conocimiento estocástico y cómo inferir nuevo conocimiento a partir de ellas.

4. Identificar las bases de la teoría de la decisión en ambientes simples mediante el uso de funciones de utilidad y redes de decisión.

5. Formalizar mediante procesos de deci- sión de Markov problemas de razonamiento bajo incertidumbre de secuencias temporales.

6. Describir la base de la inferencia en sistemas tempora- les y diferenciar entre filtrado, predicción y suavizado.

7. Modelar un problema discreto como un modelo oculto de Markov y ser capaces de obtener la secuencia más probable que explique una observación.

8. Utilizar el filtrado de Kalman para identificar el estado oculto de un sistema mejorando su desempeño.

 

 

Dades generals

Codi: 33669
Professor/a responsable:
Vicent Francés, José Francisco
Crèdits ECTS: 6,00
Crèdits teòrics: 1,20
Crèdits pràctics: 1,20
Càrrega no presencial: 3,60

Departaments amb docència

  • Dep.: Ciència de la Computació i Intel·ligència Artificial
    Àrea: Ciència de la Computació, Intel·ligència Artificial
    Crèdits teòrics: 1,2
    Crèdits pràctics: 1,2
    Aquest departament és responsable de l'assignatura.
    Aquest dep. és responsable de l'acta.

Estudis en què s'imparteix