Competencies and objectives
Course context for academic year 2024-25
Located in the first semester of the Master's in Artificial Intelligence, this course provides a theoretical and practical introduction to the fundamental concepts of intelligent agents and multi-agent systems. The practical focus of the course will also concentrate on Agent-Based Modeling (ABM).
Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2024-25
Transversal Competences
- CT1 : Ser capaç de liderar projectes relacionats amb la intel·ligència artificial, així com dirigir equips de treball.
- CT2 : Demostrar destreses informàtiques i informacionals en l'àmbit de la intel·ligència artificial.
- CT3 : Demostrar habilitats en comunicació oral i escrita.
General Competences
- CG1 : Aplicar els coneixements adquirits a problemes reals relacionats amb la intel·ligència artificial.
- CG10 : Ser capaç d'utilitzar els principis de l'enginyeria i les modernes tecnologies informàtiques per a investigar, dissenyar, implementar noves aplicacions de la intel·ligència artificial.
- CG2 : Ser capaç de desenvolupar i aprendre de forma acte-dirigida o autònoma temes relacionats amb la intel·ligència artificial
- CG7 : Ser capaç d'adaptar-se a la constant evolució de la disciplina i de comprendre i aplicar els nous avanços técnicocientíficos relacionats amb la intel·ligència artificial.
- CG8 : Saber projectar, dissenyar, desenvolupar, implantar i mantenir productes, aplicacions i serveis relacionats amb la intel·ligència artificial, tenint en compte aspectes tècnics, econòmics i d'eficiència.
Specific Competences
- CE04 : Seleccionar i aplicar l'arquitectura adequada de sistemes multiagente per a resoldre un determinat problema
- CE05 : Dissenyar i implementar sistemes multiagente tenint en compte les seues capacitats cognitives, de coordinació i comunicació.
Basic Competences
- CB10 : Que els estudiants posseïsquen les habilitats d'aprenentatge que els permeten continuar estudiant d'una manera que haurà de ser en gran manera autodirigido o autònom.
- CB6 : Posseir i comprendre coneixements que aporten una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
- CB7 : Que els estudiants sàpien aplicar els coneixements adquirits i la seua capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seua àrea d'estudi
- CB8 : Que els estudiants siguen capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, incloga reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis
- CB9 : Que els estudiants sàpien comunicar les seues conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
Learning outcomes (Training objectives)
- Compare and contrast different agent and organisational architectures.
- Understand the cognitive, communication and coordination capabilities of multi-agent systems.
- Design multi-agent system applications using distributed computing and simulation tools.
- Correctly identify the applicability of different types of intelligent agent systems in wider, multidisciplinary contexts and the benefits they bring to these contexts.
Specific objectives stated by the academic staff for academic year 2024-25
1. Understand the concept of multi-agent systems and differentiate it from other fields.
2. Understand and apply BDI (Belief-Desire-Intention) models.
3. Discern the importance and use of communication and coordination in multi-agent systems.
4. Become familiar with the fundamentals of agent-based modeling (ABM) and its utility.
5. Acquire skill in using a practical platform to implement and experiment with agent-based models.
6. Know and understand the role of learning in multi-agent systems.
7. Explore and acquire an understanding of various nature-inspired algorithms.
8. Learn to analyze and evaluate agent-based models through practical examples.
General
Code:
43501
Lecturer responsible:
AZNAR GREGORI, FIDEL
Credits ECTS:
4,50
Theoretical credits:
0,90
Practical credits:
0,90
Distance-base hours:
2,70
Departments involved
-
Dept:
SCIENCE OF COMPUTING AND ARTIFICIAL INTELLIGENCE
Area: SCIENCE OF COMPUTING AND ARTIFICIAL INTELLIGENCE
Theoretical credits: 0,9
Practical credits: 0,9
This Dept. is responsible for the course.
This Dept. is responsible for the final mark record.
Study programmes where this course is taught
-
UNIVERSITY MASTER'S DEGREE IN ARTIFICIAL INTELLIGENCE
Course type: COMPULSORY (Year: 1)