Menú local
Guía docente 2016-17 - 13312034 - Sistemas inteligentes de información
TITULACIÓN: | Grado en Ingeniería informática |
CENTRO: | ESCUELA POLITÉCNICA SUPERIOR (JAÉN) |
CURSO: | 2016-17 |
ASIGNATURA: | Sistemas inteligentes de información |
NOMBRE: Sistemas inteligentes de información | |||||
CÓDIGO: 13312034 | CURSO ACADÉMICO: 2016-17 | ||||
TIPO: Obligatoria | |||||
Créditos ECTS: 6.0 | CURSO: 3 | CUATRIMESTRE: SC | |||
WEB: http://dv.ujaen.es/docencia/goto_docencia_crs_351854.html |
NOMBRE: GACTO COLORADO, Mª JOSÉ | ||
IMPARTE: Teoría - Prácticas [Profesor responsable] | ||
DEPARTAMENTO: U118 - INFORMÁTICA | ||
ÁREA: 075 - CIENCIA DE LA COMPUTACIÓN E INT. ARTIFICIAL | ||
N. DESPACHO: A3 - 243 | E-MAIL: mgacto@ujaen.es | TLF: 953212261 |
TUTORÍAS: https://uvirtual.ujaen.es/pub/es/informacionacademica/tutorias/p/86976 | ||
URL WEB: http://wwwdi.ujaen.es/?q=es/mgacto | ||
ORCID: https://orcid.org/0000-0001-9895-9647 |
El objetivo de la asignatura es introducir al alumno en los fundamentos, objetivos y métodos generales de representación y tratamiento de la información en la Inteligencia Artificial. El aprendizaje se realiza de forma tanto teórica como práctica e incluye conceptos, técnicas y metodologías de y para la representación de diferentes modelos de conocimiento.
El alumno debería tener conocimientos de programación general y orientada a objetos, de inteligencia artificial y de metaheurísticas.
Tiene un carácter técnico y está dirigida a los Grados en Ingeniería en Informática.
Es esencial para el seguimiento de la asignatura la asistencia a clases teóricas, prácticas y seminarios, el trabajo autónomo en casa, la realización de los ejercicios propuestos así como la entrega de prácticas.
Para las clases prácticas deberá estudiar con antelación a la realización de las mismas el guión y materiales proporcionados por el profesor, así como la materia de teoría relacionada.
Algunos de los paradigmas mostrados en clase requerirán o bien de su programación o bien del utilización de una plataforma o biblioteca diseñada para propósitos específicos.
El alumnado que presente necesidades específicas de apoyo educativo, lo ha de notificar personalmente al Servicio de Atención y Ayudas al Estudiante para proceder a realizar, en su caso, la adaptación curricular correspondiente.Código | Denominación de la competencia |
CB2R | Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio. |
CB3R | 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. |
CB4R | Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado. |
CT6 | Capacidad para la transmisión oral y escrita de información adaptada a la audiencia. |
Resultados de aprendizaje | |
Resultado 10R | Ser capaz de comprender y aplicar los fundamentos, objetivos y métodos generales de representación y tratamiento de la información en la Inteligencia Artificial. |
Resultado CSI2R | Capacidad para determinar los requisitos de los sistemas de información y comunicación de una organización atendiendo a aspectos de seguridad y cumplimiento de la normativa y la legislación vigente. |
Resultado CSI6R | Capacidad para comprender y aplicar los principios y las técnicas de gestión de la calidad y de la innovación tecnológica en las organizaciones. |
Adquisición y representación del conocimiento. Modelos de representación del conocimiento. Modelos lógicos, modelos estructurados, modelos de información imprecisa, incierta y difusa. Ontologías. Sistemas basados en el conocimiento.
TEORÍA
Módulo 1. Introducción a la Representación del Conocimiento
- Adquisición y Representación del Conocimiento
- Ingeniería del Conocimiento. Ontologías.
Módulo 2. Modelos Básicos de Representación del Conocimiento
- Modelos Lógicos. Lógica de Primer Orden.
- Inferencia en Lógica de Primer Orden
- Sistemas basados en Reglas
- Modelos Estructurados. Redes Semánticas.
Módulo 3. Modelos Avanzados de Representación del Conocimiento
- Representación de Incertidumbre. Redes Bayesianas.
- Modelos basados en Lógica Difusa.
- Introducción al Big Data.
Módulo 4. Aprendizaje Automático
- Introducción, modelos y validación en aprendizaje automático
- Reglas lingüísticas y difusas.
- Aprendizaje Bayesiano.
PRÁCTICAS
Desarrollo, implementación y análisis de un algoritmo de clasificación y/o regresión relacionado con la temática estudiada en la asignatura.
ACTIVIDADES | HORAS PRESENCIALES | HORAS TRABAJO AUTÓNOMO | TOTAL HORAS | CRÉDITOS ECTS | COMPETENCIAS (códigos) |
---|---|---|---|---|---|
A1 - Clases expositivas en gran grupo
|
30.0 | 45.0 | 75.0 | 3.0 |
|
A2R - Clases en pequeño grupo
|
25.0 | 37.5 | 62.5 | 2.5 | |
A3 - Tutorías colectivas/individuales
|
5.0 | 7.5 | 12.5 | 0.5 |
|
TOTALES: | 60.0 | 90.0 | 150.0 | 6.0 |
La asignatura se divide en dos partes relacionadas, teoría y prácticas.
La teoría se impartirá principalmente a
través de sesiones magistrales, incluyendo sesiones de
actividades, resolución de dudas y debate con las que se
evaluará la participación del alumno en la
asignatura.
La parte práctica se realizará en el
laboratorio de informática.
ASPECTO | CRITERIOS | INSTRUMENTO | PESO |
---|---|---|---|
Asistencia y/o participación en actividades presenciales y/o virtuales | Asistencia y participación | - Ejercicios objetivos - Observación y notas del profesor | 5.0% |
Conceptos teóricos de la materia | Conceptos teóricos de la materia | Examen teórico (prueba objetiva y resolución de problemas) | 50.0% |
Realización de trabajos, casos o ejercicios | Realización de trabajos, casos o ejercicios | Control de trabajos | 0.0% |
Prácticas de laboratorio/campo/uso de herramientas TIC | Prácticas de laboratorio/ordenador | Entrega y defensa de la documentación del trabajo. Pruebas y evaluaciones durante las sesiones de prácticas | 45.0% |
Para superar la asignatura será necesario aprobar tanto la parte teórica como la práctica.
La parte teórica se evaluará con una prueba objetiva de conceptos teóricos y realización de ejercicios prácticos relacionados con la materia. La parte de prácticas se evaluará mediante la entrega de trabajos prácticos realizados con ordenador y con una memoria justificativa asociada a los mismos. La evaluación de las prácticas será continua e incremental, de tal forma que se evaluará tanto la defensa del proyecto práctico realizado en la entrega como la evolución del alumno durante las sesiones prácticas.
Competencias por Sistema de Evaluación:
S1 (asistencia y participación): CT6, CS12, CS16
S2 (conocimientos teóricos): CT6, CS12, CS16
S4 (Prácticas de ordenador): CS12, CS16
Resultados por Sistema de Evaluación:
S1 (asistencia y participación): 2,3,6,8
S2 (conocimientos teóricos): 2,3,6,8
S4 (Prácticas de ordenador): 2,3,6
- Inteligencia artificial: un enfoque moderno. Edición: 2ª ed.. Autor: Russell, Stuart J.. Editorial: Madrid [etc.]: Perarson, 2011 (C. Biblioteca)
- Inteligencia artificial: una nueva síntesis. Edición: 1a ed. en español. Autor: Nilsson, Nils J.. Editorial: Madrid [etc.]: McGraw-Hill, Interamericana de España, 2001 (C. Biblioteca)
- Fuzzy set theory and its applications. Edición: 4th ed.. Autor: Zimmermann, H.-J.. Editorial: Boston : Kluwer Academic Publishers, cop. 2001 (C. Biblioteca)
- Introduction to machine learning. Edición: 2nd ed.. Autor: Alpaydin, Ethem.. Editorial: Cambridge, Mass. : MIT Press, 2010 (C. Biblioteca)
- Ingeniería del conocimiento: aspectos metodológicos. Edición: -. Autor: -. Editorial: Madrid: Pearson Educación, [2004] (C. Biblioteca)
- Pattern recognition and machine learning. Edición: -. Autor: Bishop, Christopher M.. Editorial: New York : Springer Science +Business Media, 2006. (C. Biblioteca)
- Bayesian reasoning and machine learning. Edición: -. Autor: Barber, David, 1968-. Editorial: Cambridge ; New York : Cambridge University Press, 2012 (C. Biblioteca)
- Artificial intelligence: a modern approach. Edición: 3rd th. Autor: Russell, Stuart J.. Editorial: Boston [etc.] : Pearson Education, 2010 (C. Biblioteca)
- Bayesian artificial intelligence. Edición: 2nd ed.. Autor: Korb, Kevin B.. Editorial: Boca Raton, FL : CRC Press, c2011 (C. Biblioteca)
- Fuzzy sets and fuzzy logic: theory and Applications. Edición: -. Autor: Klir, George J.. Editorial: Upper Saddle River: Prentice Hall, 1995 (C. Biblioteca)
- Principles of artificial neural networks. Edición: -. Autor: Graupe, Daniel. Editorial: Singapore : World Scientific, 1999 (C. Biblioteca)
- Learning with Kernels: support vector michines, regularization, optimization, and beyond. Edición: -. Autor: Schölkopf, Bernhard. Editorial: Cambridge [etc.]: The MIT Press, cop. 2002 (C. Biblioteca)
Semana | A1 - Clases expositivas en gran grupo | A2R - Clases en pequeño grupo | A3 - Tutorías colectivas/individuales | Trabajo autónomo | Observaciones | |
---|---|---|---|---|---|---|
Nº 1 30 ene. - 5 feb. 2017 |
2.0 | 0.0 | 0.0 | 2.0 | Presentación. Tema 1: Adquisición y Representación del Conocimiento | |
Nº 2 6 - 12 feb. 2017 |
2.0 | 0.0 | 0.0 | 3.0 | Tema 1 y 2. Tema 2: Ingeniería del Conocimiento. Ontologías. | |
Nº 3 13 - 19 feb. 2017 |
2.0 | 0.0 | 2.0 | 6.0 | Tema 2 y 3. Tema 3: Modelos lógicos. Lógica de primer orden. Prácticas: Explicación de la herramienta keel | |
Nº 4 20 - 26 feb. 2017 |
2.0 | 1.0 | 1.0 | 6.0 | Tema 3. Prácticas: Explicación de la práctica | |
Nº 5 27 feb. - 5 mar. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 3 | |
Nº 6 6 - 12 mar. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 3 | |
Nº 7 13 - 19 mar. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 4: Inferencia en lógica de primer orden | |
Nº 8 20 - 26 mar. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 5: Sistemas Basados en Reglas | |
Nº 9 27 mar. - 2 abr. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 5 Y 6. Tema 6: Aprendizaje Automático | |
Nº 10 3 - 9 abr. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 6 | |
Nº 11 10 - 16 abr. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 7: Razonamiento con incertidumbre. Redes bayesianas. | |
Nº 12 17 - 23 abr. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 8: Lógica Difusa. Sistemas Difusos. Sistemas basados en Reglas Difusas. | |
Nº 13 24 - 30 abr. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 8 | |
Nº 14 1 - 7 may. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 8 y 9. Tema 9: Introducción a Big Data | |
Nº 15 8 - 14 may. 2017 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 9 | |
Nº 16 15 - 19 may. 2017 |
0.0 | 2.0 | 2.0 | 7.0 | Ejercicios | |
Total Horas | 30.0 | 25.0 | 5.0 | 90.0 |