Ir a cuerpo Ir a Estudios, Gobernanza y organización
Logo UA
Realizar búsqueda
Course description
  RAZONAMIENTO AUTOMÁTICO

Competencies and objectives

 

Course context for academic year 2019-20

 

Razonamiento Automático es una asignatura que aporta una visión de técnicas y temas actuales de Inteligencia Artificial basadas en el razonamiento humano. Los ámbitos que toca van desde las lógicas clásicas hasta el Machine Learning más moderno, la teoría del aprendizaje y el modelo PAC.

Pese a poseer un temario concreto es una asignatura abierta a todos los temas de actualidad, permitiendo al alumno desarrollarlos, conocerlos y practicarlos desde un punto de vista profesional, con problemas reales. El enfoque de la asignatura es totalmente práctico, con situaciones que pondrán al estudiante manos a la obra y llevarán sus habilidades al límite para mejorarlas y ampliarlas.

Los problemas utilizarán entornos de simulación basados en videojuegos y concursos reales de Inteligencia Artificial de actualidad. En general, el modelo de trabajo de la asignatura será el de Aprendizaje Basado en Proyectos.

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees)

Competencias Específicas (Tecnología Específica):>>Computación

  • CEC4 : Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
  • CEC5 : Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
  • CEC7 : Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

 

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

 

 

 

Learning outcomes (Training objectives)

  • Capacidad para concebir, redactar, organizar, planificar, desarrollar y firmar proyectos en el ámbito de la ingeniería en informática que tengan por objeto, de acuerdo con los conocimientos adquiridos según lo establecido en el apartado siguiente, la concepción, el desarrollo o la explotación de sistemas, servicios y aplicaciones informáticas.
  • Capacidad para diseñar, desarrollar, evaluar y asegurar la accesibilidad, ergonomía, usabilidad y seguridad de los sistemas, servicios y aplicaciones informáticas, así como de la información que gestionan.
  • Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero/a Técnico en Informática.
  • Conocimientos para la realización de mediciones, cálculos, valoraciones, tasaciones, peritaciones, estudios, informes, planificación de tareas y otros trabajos análogos de informática, de acuerdo con los conocimientos adquiridos según lo establecido en la Planificación de las Enseñanzas.

 

 

Specific objectives stated by the academic staff for academic year 2019-20

Objetivos de la asignatura

  • Analizar la IA desde el punto de vista del Razonamiento Automático.
  • Comprender la importancia del Razonamiento Automático como aplicación en los videojuegos.
  • Aprender a diseñar adecuadamente un motor de Inteligencia Artificial.
  • Aprender a diseñar, implementar y optimizar IA bajo limitaciones computacionales.
  • Aprender e implementar técnicas básicas de Razonamiento Automático cómo Máquinas de Estados Finitos, Árboles de Decisión, Lógica Difusa o Razonamiento Basado en Objetivos.
  • Aprender a mejorar modelos de Pathfinding y planificación para que produzcan resultados de Razonamiento Automático.
  • Conocer el Machine Learning, el modelo PAC (Probably-Approximately-Correct) y la teoría del aprendizaje y la generalización.
  • Aprender e implementar algunos modelos de Machine Learning como Regresión Lineal y Logística, Redes Neuronales, Algoritmos Genéticos y Support Vector Machines.

 

 

 

General

Code: 34031
Lecturer responsible:
GALLEGO DURAN, FRANCISCO JOSE
Credits ECTS: 6,00
Theoretical credits: 0,60
Practical credits: 1,80
Distance-base hours: 3,60

Departments involved

  • Dept: CIENCIA DE LA COMPUTACION E INTELIGENCIA ARTIFICIAL
    Area: CIENCIA DE LA COMPUTACION E INTELIGENCIA ARTIFICIAL
    Theoretical credits: 0,6
    Practical credits: 1,8
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught