1
Download PROGRAMA DE ASIGNATURA
Document related concepts
Transcript
PROGRAMA DE ASIGNATURA Titulación Curso académico F.INGENIERÍA – MÁSTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA Código y titulo de la asignatura 51334 Temporalidad Inteligencia artificial avanzada Tipo OBLIGATORIO 2016/17 Semestre 1 Idioma Créditos UD Créditos ECTS Grupo/Idioma SPA 6 6 01/Castellano Profesor Onieva Caracuel, Enrique JUSTIFICACIÓN Las personas que finalicen el Máster Universitario en Ingeniería Informática serán capaces de resolver problemas en distintas áreas aportando las soluciones más adecuadas en cada caso. La principal aportación de la asignatura Inteligencia Artificial Avanzada es la resolución de problemas y diseño de aplicaciones inteligentes, a partir de los requisitos existentes y adaptando la técnica o combinación de técnicas adecuada a cada situación. Además, esta asignatura supone una iniciación del alumno en la investigación en Inteligencia Artificial Aplicada. PRERREQUISITOS Conocimientos de programación. Conocimientos de Inteligencia Artificial básicos: Sistemas basados en el conocimiento, métodos de búsqueda, etc. RESULTADO DE APRENDIZAJE EN TÉRMINOS DE COMPETENCIAS GENÉRICAS Y ESPECÍFICAS COMPETENCIA ESPECÍFICA CE1. Formular problemas con incertidumbre y plantear, desarrollar, e implementar soluciones de lógica difusa. COMPETENCIA ESPECÍFICA CE2. Analizar problemas de optimización y plantear, desarrollar e implementar soluciones bioinspiradas. COMPETENCIA ESPECÍFICA CE3. Diseñar e implementar métodos bayesianos para resolver problemas de aprendizaje y aplicarlos en problemas reales COMPETENCIA ESPECÍFICA CE4. Diseñar e implementar redes neuronales artificiales para su aplicación a problemas reales. CONTENIDOS TEMA 1. INTRODUCCIÓN. Introducción e historia de la Inteligencia Artificial. Fundamentos básicos. Tipos de problemas de Inteligencia Artificial. Ejemplos de aplicaciones de la Inteligencia Artificial. TEMA 2. LÓGICA DIFUSA. Motivación de la lógica difusa. Definiciones y conceptos básicos. Fundamentos de la Lógica Difusa. Sistemas Basados en Reglas Difusas. Aplicaciones de la Lógica Difusa. TEMA 3. ALGORITMOS BIOINSPIRADOS. Introducción a los algoritmos bioinspirados. Algoritmos Genéticos. Aplicaciones de los algoritmos bioinspirados. TEMA 4. RAZONAMIENTO PROBABILÍSTICO. Fundamentos del razonamiento bayesiano. Modelos gráficos probabilísticos. Propagación de evidencias e inferencia. Red bayesiana ingenua y aprendizaje paramétrico. Aplicaciones del razonamiento probabilístico. TEMA 5. REDES NEURONALES. Fundamentos de las redes neuronales Arquitecturas de redes neuronales. Modelos de red neuronal. Proceso de aprendizaje. Aplicaciones de las redes neuronales. ESTRATEGIA DE ENSEÑANZA - APRENDIZAJE MÉTODOS Y TÉCNICAS + Contextualización: antes de comenzar un nuevo tema dentro de la unidad, los estudiantes pondrán en común lo que conocen previamente. El profesor intervendrá solamente para conceder la palabra y coordinar el intercambio de ideas entre los estudiantes. + Exposición: el profesor explicará los aspectos clave relacionados con las competencias que se trabajan en la asignatura. + Prácticas en el laboratorio: el profesor explicará el manejo de las herramientas necesarias para desarrollar los diferentes trabajos prácticos. Los estudiantes se familiarizarán con todas ellas a lo largo de las diferentes sesiones de prácticas en el laboratorio. + Trabajo en grupo: los estudiantes planificarán la distribución de tareas, la asignación de medios y tiempo y las actividades de seguimiento y control de la parte relativa a su proyecto de aplicación de los métodos de inteligencia artificial a un caso real. El profesor supervisará tanto la planificación como el desarrollo del proyecto, mediante reuniones de seguimiento y pruebas telemáticas. + Lectura de documentos: el profesor propondrá bibliografía complementaria para profundizar los aspectos tratados en cada tema. Las actividades que se realizarán en la asignatura son: - Exposición y debate los conceptos teóricos - Prácticas de implementación y aplicación de los métodos a problemas reales - Realización de un proyecto de aplicación de los conocimientos adquiridos - Lectura y estudio personal La dedicación estimada por parte del estudiante de la asignatura es de aproximadamente 150h, distribuidas a los largo del semestre y el periodo de exámenes. La distribución de la dedicación estimada es la siguiente: + Dentro del aula: 60 horas - Exposición: 30 horas - Actividades prácticas guiadas por el profesor: 20 horas - Actividades individuales supervisadas en aula: 10 horas + Fuera del aula: 90 horas - Lectura y estudio personal: 15 horas - Realización de prácticas: 25 horas - Proyecto: 50 horas SISTEMA DE EVALUACIÓN Se evaluarán las competencias genéricas y las específicas mediante tres instrumentos: + EVALUACIÓN CONTINUA: distintas prácticas, realizadas individualmente. Obligatorias. En caso de no presentar estas entregas o si la evaluación de las mismas no permitiera superar la evaluación continua (sobre 4 puntos, es preciso obtener la mitad), deberán presentarse después esas prácticas, permitiendo la recuperación de un 75% de la nota correspondiente a estas actividades (3 puntos). + PROYECTO: un sistema de inteligencia artificial completo para la resolución de un problema real de investigación básico, aplicada o industrial, fruto del diseño y la programación usando diversos métodos, entornos y herramientas. Realizado en grupo. Se contempla una entrega final, obligatoria y evaluable (sobre 4 puntos). + EXAMEN: un único examen, en el que se combinan preguntas cortas y preguntas de opción múltiple, donde se evaluarán tanto contenidos teóricos de la asignatura, como prácticos. Será evaluado sobre 2 puntos. El sistema de calificaciones es el siguiente, desde el punto de vista de las específicas: + COMPETENCIAS ESPECÍFICAS = 100 % - CE1: Evaluación Continua = 10%, Proyecto =10%, Examen = 5% - CE2: Evaluación Continua = 10%, Proyecto =10%, Examen = 5% - CE3: Evaluación Continua = 10%, Proyecto =10%, Examen = 5% - CE4: Evaluación Continua = 10%, Proyecto =10%, Examen = 5% Desde el punto de vista de las actividades que se realizan, se detalla el instrumento y porcentaje de evaluación: + TRABAJO EN PAREJAS = 40% (Proyecto) + TRABAJO INDIVIDUAL = 60% (40% Evaluación Continua, 20% Examen) La calificación global será la suma ponderada de las calificaciones obtenidas en los puntos anteriores, siendo necesaria la superación de las partes obligatorias. DOCUMENTACIÓN Todos los materiales para el correcto seguimiento de la asignatura se encuentran en la plataforma online de aprendizaje: programa, bibliografía, transparencias, actividades propuestas, enlaces a páginas web y lecturas recomendadas, etc. Asimismo, todos los anuncios y noticias relativos a la asignatura se publicarán por este medio. Bibliografía complementaria + Russell, S. & Norving, P. Artificial Intelligence: A modern approach. 3ª Ed. Prentice-Hall. 2010 + Bishop, C.M. Pattern Recognition and Machine Learning. Springer. 2007 + F. Glover, G.A. Kochenberger (Eds.). Handbook of Metaheuristics. Kluwer Academic Press, 2003. + L. Reznik. Fuzzy controllers. Newnes, 1998 + Bishop, C.M. Neural Networks for Pattern Recognition.
