Profesorado

ELISA GUERRERO VÁZQUEZ

Situación

Prerrequisitos

Ninguno

Contexto dentro de la titulación

Asignatura troncal del primer curso del segundo ciclo, para ser
impartida en el primer cuatrimestre, del área de Ciencias de la
Computación e Inteligencia Artificial.

Recomendaciones

1. Cursarla en el lugar en el que se ubica, es decir, en el
primer cuatrimestre del primer curso de segundo ciclo, ya que
otras materias posteriores la utilizarán como fundamento.

2. Utilizar la bibliografía recomendada de la asignatura: el
material facilitado al alumno debe ser un complemento y no la
única fuente de documentación. El estudio debe basarse
en referencias sólidas de la materia.

3. Antes de cada clase se recomienda realizar un repaso del tema
que se está tratando en las clases tanto teóricas como prácticas.

4. Asistir regularmente a clase.

5. La modalidad de evaluación continua requiere un esfuerzo
semanal importante, aquellos alumnos que por razones personales,
profesionales, etc. no puedan dedicar el suficiente tiempo a un
estudio continuado a lo largo del cuatrimestre, deben optar por
la evaluación final.

6. Los alumnos que ampliarán matrícula a lo largo del curso por
estar terminando el proyecto de fin de carrera tendrán que optar
por la modalidad de evaluación final. En su caso podrán asistir
como oyentes, siempre que no interfieran en el normal
funcionamiento de las clases para los alumnos matriculados.

7. A los alumnos pendientes de presentar y entregar el pfc, se
recomienda dedicarse por completo a esta tarea antes de abordar
las asignaturas de este segundo ciclo.

Competencias

Competencias transversales/genéricas

- Aprendizaje autónomo
- Capacidad de análisis y síntesis
- Capacidad de aplicar los conocimientos a la práctica
- Comunicación oral y escrita
- Adaptación a nuevas situaciones.
- Resolución de problemas
- Trabajo individual y en grupo

Competencias específicas

• Cognitivas(Saber):

  - Conocer los fundamentos básicos de la Inteligencia
  Artificial, los Agentes Inteligentes, su evolución histórica y
  sus áreas de aplicación.
  - Conocer las estrategias necesarias para la resolución de
  problemas basados en búsqueda de la solución en espacios de
  estados.
  - Conocer los fundamentos básicos del Aprendizaje Automático,
  y en concreto de las Redes Neuronales Artificiales.
  

• Procedimentales/Instrumentales(Saber hacer):

  - Saber formalizar y diseñar la resolución de problemas de IA
  de
  Búsqueda y Aprendizaje Automático.
  - Evaluar alternativas y analizar el rendimiento de la
  solución
  sobre el diseño.
  - Aplicar las distintas estrategias de búsqueda según el
  problema planteado.
  - Implementación mediante LISP de los problemas de búsqueda.
  - Implementación práctica (mediante Matlab) de problemas de
  aprendizaje y uso básico del perceptrón multicapa.
  

• Actitudinales:

  Ser consciente del ámbito la IA en las Tecnologías de la
  Información y las Comunicaciones y de la tecnología en
  general, y tener presente el alcance ético de los sistemas
  generados mediante estas técnicas para su aplicación razonada
  en el desempeño de la profesión.

Objetivos

1. Proporcionar al alumno una visión general de la Inteligencia
Artificial, de sus diversas aplicaciones y su evolución a lo largo
de la historia.

2. Capacitar al alumno para el acceso y comprensión de la
literatura de Inteligencia Artificial en un nivel general,
dotándolo de un dominio del vocabulario técnico básico de dicho
campo.

3. Capacitar al alumno para el acceso y comprensión de la
literatura específica sobre Agentes Inteligentes que utilicen
técnicas de Búsqueda, Heurística y Aprendizaje Automático.

4. Proporcionar una formación sólida en las técnicas más relevantes
en la resolución de problemas de IA mediante búsqueda en espacio de
estados.

5. Acercar al alumno a los fundamentos del aprendizaje automático,
conociendo los distintos enfoques a nivel teórico, como punto de
partida para el desarrollo de sistemas inteligentes.

6. Proporcionar una formación sólida para implementar agentes que
realizan tareas de aprendizaje del mundo real mediante redes
neuronales artificiales con la máxima capacidad de generalización

Programa

1.INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
1.1.Definición y conceptos básicos en IA
1.2.Revisión Histórica
1.3.Áreas de Aplicación, estado actual de la materia

2.TÉCNICAS DE BÚSQUEDA
2.1.Búsqueda a ciegas
2.2.Búsqueda heurística
2.3.Búsquedas con retroceso e irrevocable
2.4.Satisfacción de restricciones
2.5.Evaluación minimax
2.6.Poda alfa-beta
2.7.Implementaciones

3.APRENDIZAJE
3.1.Formalización del problema
3.2.Tipos de Aprendizaje
3.3.Problemas de Regresión Lineal
3.4.Introducción a las Redes Neuronales
3.5.Implementaciones

Metodología

Lecciones teóricas:
Exposición de conceptos básicos y resolución de casos prácticos
propiciando la discusión y debate sobre los distintos tópicos y
técnicas planteadas y sus posibles soluciones.
Participación activa por parte del alumno, que deberá realizar
distintas actividades en el aula: lecturas, debates, propuestas de
mejora en técnicas existentes, resolución de casos prácticos,
presentación de resultados de trabajos, etc. para adquirir los
conocimientos de cada tema.

Lecciones prácticas:
La implementación de las diversas técnicas estudiadas se realizarán
con ordenador, partiendo de problemas-ejemplos en los que tendrán
que implementar los diferentes conceptos estudiados en teoría, y se
les propondrán prácticas para resolver de forma individual o en
grupo.

Distribución de horas de trabajo del alumno/a

Nº de Horas (indicar total): 100

• Clases Teóricas: 20  
• Clases Prácticas: 11  
• Exposiciones y Seminarios:  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 3  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesorado: 11  
  • Sin presencia del profesorado: 18  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 34  
  • Preparación de Trabajo Personal:  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal):  

Técnicas Docentes

Conferencia
s

Criterios y Sistemas de Evaluación

Los criterios de evaluación atenderán a aspectos tales como mostrar
una adecuada comprensión de los fundamentos de la asignatura, la
adecuación, corrección, claridad, y sencillez de las soluciones
aportadas a los problemas y cuestiones planteados, y la claridad y
exactitud expositiva de las argumentaciones.

La modalidad de Evaluación Final consiste en la realización de un
examen final de carácter teórico-práctico, y además entregar (a
través del Campus Virtual) una serie de ejercicios implementados en
LISP y MATLAB. Estas actividades serán propuestas, a través del
Campus Virtual, a aquellos alumnos que expresamente comuniquen
mediante un correo electrónico dirigido a la profesora, la elección
de esta modalidad. El plazo máximo de entrega de todas las
actividades será siempre de al menos 4 días antes de la fecha del
examen correspondiente, de acuerdo a las fechas de las
convocatorias oficiales de la asignatura.

Los alumnos que deseen acogerse a la modalidad de Evaluación
Continua deberán asistir regularmente, con un máximo de 2 faltas de
asistencia, tanto a las clases teóricas como prácticas. Se
propondrá a los alumnos la resolución de cuestiones, ejercicios,
problemas e implementaciones que deberán entregarse a lo
largo del curso, y dentro del plazo establecido para cada entrega.
La Evaluación de estas actividades podrá realizarse mediante la
realización de una serie de cuestionarios que incluyen tanto
preguntas sobre los contenidos teóricos como sobre las prácticas
propuestas para la evaluación continua.
Las actividades pueden dividirse en:
Actividades Presenciales, tareas donde se aplican de forma directa
los conocimientos de cada uno de los temas estudiados y que
normalmente se realizan durante las horas de clase.
Actividades de Evaluación Continua, en las que se plantean tareas
que requieren un mayor tiempo de realización.
Actividades Voluntarias, cualquier otra realizada por iniciativa
del alumno y que se considere como ampliación de los conocimientos
adquiridos en la asignatura.

Cada una de ellas se calificarán de 0 a 10 puntos.
La Nota Final en la modalidad de Evaluación Continua será:

Nota Final =
95%  * Suma de las calificaciones de las Act. Evaluación Continua +
0.5% * Actividades Voluntarias

Las faltas de asistencia, la no entrega de una actividad de
evaluación continua o una calificación por debajo de 5 en alguna de
las entregas supondrá el paso automático a la modalidad de
Evaluación Final. En otras palabras, el alumno que no supere todas
las pruebas de Evaluación Continua o no cumpla con los requisitos
mínimos de esta modalidad de evaluación, deberá optar por la
Evaluación Final.

Recursos Bibliográficos

RUSSELL, S. y NORVIG, P.(2003): Artificial Intelligence: A Modern
Approach.
Prentice Hall, 2003.

PALMA MÉNDEZ T., MARÍN MORALES R. (2008): Inteligencia artificial :
métodos,
técnicas y aplicaciones. McGraw-Hill, 2008.


ESCOLANO F., CAZORLA M.A. , ALFONSO M.I., COLOMINA O.  y LOZANO M.A.
(2003):
Inteligencia Artificial. Modelos, Técnicas y Áreas de Aplicación
Thomson,
Madrid, 2003.

NILSSON N (2001): Inteligencia Artificial: Una nueva síntesis.
McGrawHill.

RICH, E. and KNIGHT, K., (1997): Inteligencia artificial. McGraw-
Hill
Interamericana.

WINSTON, P. H. (1994): Inteligencia Artificial. 3ª Edición, Addison-
Wesley
Iberoamericana, Wilmington, Delaware, EE.UU.

FERNÁNDEZ S., GONZÁLEZ J. y MIRA J. (2003):Problemas Resueltos de
Inteligencia
Artificial Aplicada. Búsqueda y Representación. Pearson, Madrid.

SIERRA B. y otros (2006): Aprendizaje Automático. Conceptos básicos
y avanzados
Pearson Prentice Hall, Madrid 2006.

ISASI P., VIÑUELA I. (2003): REDES DE NEURONAS ARTIFICIALES.
Pearson Educación
S.A., Madrid, 2003.

WINSTON P., HORN P. (1991): LISP 3 Ed." Addison Wesley

ARAGONÉS J., GIL J., GALINDO P. (1999): Introducción a Matlab.
Universidad de
Cádiz.

NORVIG P. (1992): Paradigms of AI programming: Case studies in
Common Lisp.
Morgan Kaufmann Publishers, San Mateo, CA, 1992.