Información general


Tipo de asignatura: obligatoria

Coordinador:

trimestre:3

Créditos: 4

Profesorado: Sandra Obiol Madrid

Descripción


La inteligencia artificial es una disciplina que estudia los agentes inteligentes, entendiendo como tal aquellos dispositivos (software y / o hardware) que perciben el entorno, razonan y toman acciones para conseguir sus objetivos. En los últimos años la inteligencia artificial ha llegado a la industria con mucha fuerza y ​​muchos analistas creen que será el principal factor de la próxima revolución industrial.

Durante la asignatura se hace una introducción a la Inteligencia Artificial más clásica con un estudio profundo de los algoritmos de búsqueda y de lógica que se usan hoy en día para resolver infinidad de problemas. Por ejemplo: google search, google maps, sistemas recomendadores de Amazon y Netflix, confección de horarios, vehículos autónomos, videojuegos, y un largo etc. En el último capítulo se hace una breve introducción al aprendizaje automático más concretamente en la clasificación y el clustering que son la base de los algoritmos de análisis de datos.

Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en el caso de ser necesario por motivos relacionados con la Covidien-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente.

Resultados de aprendizaje


A nivel general, esta asignatura contribuye a siguientes resultados de aprendizaje especificados para la materia a la que pertenece (Algorítmica y Programación) 

  • Conocer los objetivos, fundamentos, historia, estado del arte y las diferentes paradigmas de resolución de problemas de la inteligencia artificial
  • Conocer las técnicas y metodologías básicas de la inteligencia artificial: resolución de problemas mediante búsqueda y técnicas de representación del conocimiento y razonamiento
  • Utilizar de forma apropiada teorías, procedimientos y herramientas en el desarrollo profesional de la ingeniería informática en todos sus ámbitos (especificación, diseño, implementación, desarrollo, implantación y evaluación de productos) de manera
    que se demuestre la comprensión de los compromisos adoptados en las decisiones de diseño.
  • Demostrar conocimiento de la dimensión ética en la empresa: la responsabilidad social y corporativa en general y, en particular, las responsabilidades civiles y profesionales del ingeniero en informática.
  • Demostrar conocimiento y comprensión de hechos esenciales, conceptos, principios y teorías relativas a la informática ya sus disciplinas de referencia
  • Colaborar en un entorno unidisciplinar. Identificar los objetivos del grupo y colaborar en el diseño de la estrategia a seguir y un plan de trabajo para conseguirlos. Identificar las responsabilidades de cada componente del grupo y asumir el compromiso personal de la tarea asignada. Evaluar y presentar los resultados propios. Identificar el valor de la cooperación e intercambiar información con los otros componentes del grupo. Intercambiar información sobre el progreso del grupo y proponer estrategias para mejorar su funcionamiento
  • Controlar versiones y configuraciones del proyecto.

A un nivel más concreto, al finalizar la asignatura el estudiante debe ser capaz de:

  • RA1: Explicar en qué consiste la Inteligencia Artificial y sus aplicaciones
  • RA2: Expresar un problema como una búsqueda
  • RA3: Elegir el algoritmo de búsqueda más adecuado para cada problema
  • RA4: Diseñar funciones heurísticas para hacer más eficientes las búsquedas
  • RA5: Representar el conocimiento en un conjunto de reglas y hechos
  • RA6: Usar los algoritmos de inferencia para hacer razonamientos sobre el conocimiento representado
  • RA7: Explicar la diferencia entre clasificación y clustering
  • RA8: Usar algoritmos de clasificación y clustering y saber interpretar los resultados

Metodología de trabajo


Todos los conceptos teóricos de la materia expondrán en clases de teoría (grupos grandes). En estas clases, ya discreción de los docentes impartidores, también se resolverán ejercicios y problemas de carácter más práctico. Asimismo, y siempre a discreción de los impartidores, se podrá pedir a los estudiantes que resuelvan, de manera individual o en grupo, problemas y / o ejercicios breves. Estas actividades, breves y optativas, servirán al estudiante como instrumento de autoevaluación de su adquisición de los contenidos de la materia y podrán ser utilizados por parte del docente para tomar decisiones sobre la calificación final del estudiante bueno y que nunca en detrimento de la calificación numérica calculada según el sistema de calificación especificado por la asignatura.

Los conceptos de carácter más práctico y todo lo que en esencia se pueda considerar la aplicación práctica de los conceptos teóricos serán trabajados de manera más intensiva en grupos pequeños (de laboratorio). En las sesiones que se programen al efecto se darán las herramientas adecuadas para resolver las actividades programadas bueno y que se espera que estas alarguen desde el punto de vista temporal, más allá de las horas de laboratorio y que, en consecuencia Encías, los estudiantes deban finalizar durante el tiempo de aprendizaje autónomo.

Se pondrá a disposición de los estudiantes actividades de tipo totalmente opcional que le ayuden a preparar ya prepararse para las de carácter obligatorio.

contenidos


1 Introducción a la Inteligencia Artificial    
    1.1 Historia
    1.2 Aplicaciones
    1.3 Ética y feminismo
2 Resolución de problemas    
    2.1 Búsqueda y resolución de problemas
    2.2 Búsqueda no informada: BFS, DFS
    2.3 Búsqueda informada: búsqueda voraz, algoritmo A
    2.4 Funciones heurísticas
    2.5 Búsqueda en los juegos: minimax, alpha-beta prunning
    2.6 Satisfacción de restricciones
3 Lógica    
    3.1 Representación de conocimiento: hechos y reglas
    3.2 Algoritmos de inferencia o razonamiento
4 Aprendizaje automático    
    4.1 Supervisado. Clasificación: N-nearest neighbours, árboles de decisión, Naive Bayes
    4.2 No supervisado. Clustering: K-means

Actividades de aprendizaje


Con el objetivo de recoger evidencia del logro de los resultados de aprendizaje esperados se realizarán las siguientes actividades de carácter evaluativo:

prácticas: se hará un máximo de cuatro prácticas (relacionadas con todas las competencias)

  • Práctica 1 Resolución de problemas (evidencia de los resultados de aprendizaje RA1 - RA4)  
  • Práctica 2 Resolución de problemas (evidencia de los resultados de aprendizaje RA1 - RA4) 
  • Práctica 3 Lógica (evidencia de los resultados de aprendizaje RA5 y RA6)
  • Práctica 4 Clasificación y Clustering (evidencia de los resultados de aprendizaje RA7 y RA8)

En las prácticas se trabajarán todas las competencias comunes y específicas: CIN1, CIN3, CIN7, CIN8, CIN15 y EFB3, así como las básicas B2, B3, B4 y las transversales T1 y T2

Prueba escrita: examen individual sobre la teoría y resolución de problemas vista en clase. Esta prueba recoge evidencia de todos los resultados de aprendizaje.

En la prueba escrita se trabajarán todas las competencias comunes y específicas: CIN1, CIN3, CIN7, CIN8, CIN15 y EFB3, así como las básicas B2, B3 y B5

A continuación se explicitan los aspectos más importantes de cada competencia asignada a la asignatura:

  • B2: resolución de problemas dentro de su área de estudio.
  • B3: reunir e interpretar información relevante para la materia
  • B5: desarrollo de habilidades de aprendizaje necesarias para estudios posteriores (acceso autónomo a documentación, hábitos de trabajo efectivos)
  • CIN1: diseñar, desarrollar y evaluar sistemas y aplicaciones informáticas asegurando su fiabilidad, seguridad y calidad
  • CIN3: mostrar actitudes de trabajo en equipo
  • CIN7: diseño y uso de las estructuras de datos más adecuados
  • CIN8: analizar, diseñar y construir aplicaciones
  • EFB3: dominar conceptos básicos de matemática discreta, lógica, algorítmica y complejidad computacional 
  • EIS1: desarrollar y evaluar sistemas que cumplan los requisitos del usuario 
  • T1: los materiales se dan en inglés para trabajar la tercera lengua
  • T2: capacidad para trabajar en equipo desarrollando diferentes roles

Para superar (aprobar) las actividades evaluativas, los estudiantes deberán demostrar

  • Que han adquirido los conocimientos teóricos relativos a los contenidos de la asignatura y que su comprensión les permite llevarlos a la práctica [MECES-2 punto a, punto c]
  • Que pueden desarrollar soluciones a problemas que, si bien son similares a otros vistos anteriormente, presentan aspectos que son nuevos [MECES- 2 punto f]

Sistema de evaluación


evaluación:

  • PR_E: prueba escrita individual. Ponderación de la nota final 60% si la nota es> = 4
  • PRAC: prácticas de la 1 a la 4. Ponderación en la nota final 40% (cada 10%) si se han aprobado al menos dos prácticas

Cálculo nota final (NF):

  • Si PR_E> = 4 y 2 o más prácticas aprobadas : NF = PON = PR_E 0,60 + PRAC 0,40 
  • Si PR_E <4 o no 2 prácticas aprobadas: NF = min (PR_E, PON)

recuperación:

Se podrá recuperar la prueba escrita (PR_E). La nota final se calculará tal como se ha establecido anteriormente con la nota de la recuperación de la prueba escrita.

normativa:

  • La asistencia a las prácticas es obligatoria. Si un estudiante no asiste a una sesión de prácticas será calificado con una nota de 0 (cero) en la práctica correspondiente
  • Siguiendo la normativa de la UPF, si se detecta que una práctica o una prueba escrita ha sido copiada de un compañero la nota será de 0 (cero) tanto por lo que ha copiado como por el que se ha dejado copiar
  • Para que el estudiante tenga derecho a la recuperación se deberá haber presentado a la prueba escrita

Bibliografía


básico

Russel, Stuard and Norvic, Peter (2013), "Artificial Intelligence: a modert approach". (3rd edition) Prentice Hall.