Competencias y objetivos

 

Contexto de la asignatura para el curso 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.

 

 

Resultados de aprendizaje / Competencias de la asignatura (verificadas por ANECA en grados y másteres oficiales) para el curso 2025-26

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.
  • CG6 : Concebir, desarrollar y aplicar sistemas de inteligencia artificial para mejorar los sectores productivos y la sociedad actual, determinando su idoneidad y ámbito de aplicación
  • 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

  • CE11 : Aplicar los fundamentos de la estadística bayesiana y las diferentes técnicas de computación intensiva para implementar inferencia y predicción Bayesiana
  • CE26 : Seleccionar y aplicar representaciones adecuadas de la información y técnicas de razonamiento y toma de decisiones en ambientes de incertidumbre

 

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. Describir las bases del razonamiento bajo incertidumbre, sus características y el efecto de las mismas en los procesos de inferencia.

2. Identificar distintos modelos para representar el conocimiento bajo incertidumbre

3. Modelar, utilizar y diseñar sistemas expertos difusos.

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

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

6. Formalizar mediante procesos de decisión de Markov problemas de razonamiento bajo incertidumbre de secuencias temporales.

7. Describir la base de la inferencia en sistemas temporales y diferenciar entre filtrado, predicción y suavizado.

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

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

 

 

Objetivos específicos indicados por el profesorado para el curso 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.

 

 

Datos generales

Código: 33669
Profesor/a responsable:
Vicent Francés, José Francisco
Crdts. ECTS: 6,00
Créditos teóricos: 1,20
Créditos prácticos: 1,20
Carga no presencial: 3,60

Departamentos con docencia

  • Dep.: Ciencia de la Computación e Inteligencia Artificial
    Área: Ciencia de la Computación, 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