Logo UAB
2020/2021

Inteligencia Artificial

Código: 104398 Créditos ECTS: 6
Titulación Tipo Curso Semestre
2503740 Matemática Computacional y Analítica de Datos OB 2 2
La metodología docente y la evaluación propuestas en la guía pueden experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.

Contacto

Nombre:
Maria Vanrell Martorell
Correo electrónico:
Maria.Vanrell@uab.cat

Uso de idiomas

Lengua vehicular mayoritaria:
catalán (cat)
Algún grupo íntegramente en inglés:
No
Algún grupo íntegramente en catalán:
Algún grupo íntegramente en español:
No

Prerequisitos

Dada la naturaleza introductoria de esta asignatura, se asume que los estudiantes no tienen ningún conocimiento previo sobre el tema. Es por tanto responsabilidad de la asignatura dar a los estudiantes los medios para la adquisición de los conocimientos descritos en el apartado de contenidos de esta guía.

Sobre otros conocimientos que se esperan del estudiante:

  • Haber cursado un bachillerato científico o tecnológico.
  • Haber cursado la asignatura de de programación de 1º y 2º de esta carrera
  • Tener nociones básicas de programación en Python
  • Tener competencias a nivel de usuario de alguna de las siguientes plataformas: Windows, Mac o Linux.

 

Objetivos y contextualización

Esta asignatura tiene un carácter general e introductorio al campo de la inteligencia artificial (IA). Los objetivos principales que se persiguen son dos:

a)    familiarizar los estudiantes en la resolución de problemas de IA con sus particularidades en la representación, la evaluación y la metodología especifica de resolución, y

b)    hacer que el estudiante conozca un amplio espectro de técnicas y algoritmos básicos que permitan solucionar los problemas planteados y mejorar sus habilidades de programación.

Más concretamente estos objetivos perseguirán:

  • Proporcionar una introducción histórica y de los objetivos del campo de la IA.
  • Introducir a los estudiantes al problema de la selección de una buena representación de conocimiento como eje principal para la resolución de los problemas de IA.  
  • Familiarizar a los estudiantes con 4 representaciones de conocimiento básicas y sus algoritmos correspondientes.
  • Dotar a los estudiantes con la capacidad de diseñar soluciones a problemas contextualizados.
  • Dotar a los estudiantes con la capacidad de representar y argumentar la adecuación de las soluciones diseñadas.

Competencias

  • Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
  • Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
  • Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
  • 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.
  • Resolver problemas relacionados con el análisis de grandes volúmenes de datos a través del diseño de sistemas inteligentes y de aprendizaje computacional.
  • Trabajar cooperativamente en un contexto multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
  • Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.

Resultados de aprendizaje

  1. Conocer y entender las técnicas de representación del conocimiento humano.
  2. Definir y desarrollar esquemas de búsqueda óptimos para diferentes problemas a partir de la representación y clasificación del conocimiento.
  3. Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
  4. Identificar y definir soluciones computacionales en múltiples dominios para la toma de decisiones basada en la exploración de alternativas, el razonamiento incierto y la planificación de tareas.
  5. Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
  6. Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
  7. 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.
  8. Trabajar cooperativamente en un contexto multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
  9. Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.

Contenido

1. Introducción a la IA. Objetivos y breve historia del campo. Definición de agentes racionales, metodología de resolución de problemas y representación de conocimiento.

2. Resolución de problemas por exploración de alternativas

2.1. Búsqueda informada. Definiciones básicas de búsqueda y revisión de algoritmos de búsqueda no informada. Análisis de algoritmos de búsqueda: Completitud, Optimalidad y Complejidad. Concepto de heurística y ejemplos. Búsqueda Informada: básica y óptima. A* y sus propiedades. Concepto de factor de ramificación efectivo. Propiedades interesantes de las heurísticas.

2.2. Búsqueda con adversarios. (a) Búsqueda basada en Minimax. Definiciones básicas. Algoritmo del Minimax. Ejemplos. Poda alfa-beta. Análisis de complejidad. Modificaciones del Minimax: profundización progresiva, heurística de extensión singular (efecto Horizonte). Ejemplos de funciones heurísticas. (b)  Búsqueda basada en simulaciones aleatorias. Algoritmo Monte-Carlo Tree Search. Ejemplos. 

2.3. Búsqueda local. Definiciones básicas, pros y contras. Interpretación de la búsqueda local como la exploración de la función heurística. Búsqueda local con objetivo conocido: Algoritmo Hill-climbing. Problemas de la búsqueda local: máximos locales, mesetas y crestas. Búsqueda local con objetivo desconocido: Steepest Ascent, Steepest Ascent con control de máximos locales, Simulated Annealing

3. Resolución de problemas de reconocimiento de patrones.

3.1. Técnicas estadísticas. Espacios de características como representaciones para el razonamiento basado en casos. Definiciones básicas sobre espacios de características. Selección de características y reducción de la dimensión. Clasificación basada en aprendizaje supervisado: funciones de decisión, asunciones sobre la distribución de los datos, búsqueda local para encontrar las funciones de decisión. Clasificación basada en aprendizaje no supervisado: algoritmo k-means, búsqueda de la mejor k con el discriminante de Fisher. Análisis de los algoritmos.

3.2. Técnicas estructurales. Grafos y redes semánticas. Definiciones básicas y representación con matrices de adyacencia. El problema de la correspondencia de grafos, algoritmos básicos, mejoras y complejidad. Correspondencia de grafos inexacta: medidas de similitud, distancia de edición. Caso de estudio: String-matching.

4. Resolución de problemas de razonamiento

4.1. Lógica y mecanismos de inferencia. Representación del conocimiento: lógica proposicional y lógica de predicados. Revisión general de algoritmos básicos: deducción natural, mecanismo de la resolución, unificación y algoritmo de paso a forma clausal. Definiciones básicas sobre sistemas basados en reglas: base de reglas, memoria de trabajo, encadenamiento de reglas y estrategias de resolución de conflictos.

4.2. Razonamiento con incertidumbre. Representación de incertidumbre con conjuntos difusos. Encadenamiento de reglas con propagación de incertidumbre.  

Metodología

La inteligencia artificial se define por el tipo de problemas que se intentan solucionar. Por tanto será la tipología de problemas quien dirigirá la organización de los contenidos. Se harán tres tipos de sesiones:

Sesiones de teoría: Son clases tipo magistral en las que el profesor explica los contenidos teóricos de la asignatura que en paralelo también se dan en vídeso.  En estas sesiones se combinará la explicación y la evaluación del proceso de aprendizaje del estudiantes a través de cuestionarios y actividades interactivas. 

Sesiones de problemas: En estas clases se persigue reforzar la comprensión de los temas explicados en la teoría a partir de plantear casos prácticos que requieren el diseño de una solución en la que se utilicen los métodos vistos en la teoría. Es imposible seguir estas sesiones de problemes si no se siguen los contenidos teóricos.

 Sesiones Prácticas: Son sesiones en las que se llevan a término diferentes tipos de actividades relacionadas con la ejecución en grupo de un proyecto contextualizado, se desarrollan 3 tipos de actividades: (a) sesiones de trabajo en equipo tutorizadas por el profesor, (b) sesiones para la resolución de cuestionarios para evaluar el conocimiento individual de los estudiantes sobre el código desarrollado, (c) sesiones de presentación de resultados, en las que todos los miembros del equipo de trabajo explican los resultados de su proyecto.

Las competencias transversales que se trabajan son:

  • La adquisición de hábitos de pensamiento, y en concreto eldesarrollo del pensamiento sistémico.

Esta competencia se adquiere tanto a partir de los conocimientos teóricos, ya que todos los contenidos están basados en la construcción de sistemas inteligentes con módulos que interactúan, como desde el punto de vista de las prácticas en que los estudiantes trabajan en equipo y experimentan la dependencia que se genera en su trabajo. Esta competencia es evaluada en los exámenes de teoría, en la evaluación de las entregas de problemas y en la evaluación del proyecto a todos los niveles. 

  • La adquisición de hábitos de trabajo personal, y en concreto el trabajar de manera autónoma.  

Esta competencia se adquiere también con la capacidad de estudiar autónomamente todos los contenidos teóricos, con la entrega individual de los problemas y con la participación en la práctica. En los tres ámbitos el trabajo individual es evaluado, en teoría a través de los exámenes, en problemas a través de la corrección de los problemas entregados y en prácticas a partir del cuestionario individual, la participación del estudiante en la presentación conjunta de los resultados y la intra-evaluación que hacen los miembros del equipo entre ellos.

Actividades

Título Horas ECTS Resultados de aprendizaje
Tipo: Dirigidas      
Clases teóricas 28 1,12 1, 2, 4, 5
Tipo: Supervisadas      
Clases de problemas 12 0,48 1, 2, 4, 7
Classes de prácticas 14 0,56 3, 6, 7, 8, 9
Tipo: Autónomas      
Estudio individual 10 0,4 1, 2, 4, 5, 7, 9
Trabajo práctico en proyecto 22 0,88 3, 1, 2, 4, 6, 7, 8, 9

Evaluación

Para evaluar el nivel de aprendizaje del estudiante se establece una fórmula que combina el aprendizaje de conocimientos, la capacidad de resolución de problemas y las capacidades de trabajar en equipo, así como de la presentación de los resultados obtenidos.  

La nota final se calcula ponderadamente de la siguiente manera y de acuerdo con las diferentes actividades que se llevan a término durante el curso:

     Nota final = 0.5 * Nota Teoria + 0.1 * Nota Problemas + 0.4 * Nota Prácticas

Se aplicará esta fórmula siempre que la nota de teoría sea superior o igual a 5, y la nota de prácticas sea superior o igual a 6. No hay ninguna restricción sobre la nota de problemas. Si el cálculo de la fórmula es superior o igual a 5, pero no llega al mínimo exigido en alguna de las actividades de evaluación, entonces la nota que se pondrá en el expediente es de 4,5.

La nota de teoría pretende valorar les capacidades individuales del estudiante con respecto a los contenidos teóricos de la asignatura, esto se hace de manera continuada durante el curso con diferentes exámenes.

Estos exámenes pretenden realizar una evaluación individualizada del estudiante con respecto a sus capacidades de resolver problemas utilizando las técnicas explicadas en la teoría, así como evaluar el nivel de conceptualización que el estudiante hace de las técnicas vistas. Para poder tener una nota en la teoría se requiere que las notas de los exámenes 1 y 2 sean superiores o iguales a 4.

Examen de recuperación. En el caso que la nota de teoría no llegue al nivel adecuado para tener la nota final aprobada, el estudiante puede presentarse a un examen de recuperación. 

La nota de problemas tiene como objetivo provocar que el estudiante trabaje con los contenidos de la asignatura de manera continuada y a partir de pequeños problemas que hacen que se vaya familiarizando directamente con las aplicaciones de la teoría. Como evidencia de este trabajo se pide una entrega semanal de problemas resueltos que irá realizando progresivamente.

    Nota Problemas = considera la evaluación de los problemas entregados y el % de entregas realizadas en total

para poder calcular esta nota el % de entregas ha de ser superior al 70%.

La nota de prácticas tiene un peso esencial en la nota, y pretende que el estudiante implemente y explore las técnicas estudiadas dentro de un proyecto con un objetivo global y contextualizado. Además, el estudiante deberá demostrar sus habilidades para realizar todo este trabajo en equipo y presentando convincentemente los resultados. La nota se calcula de la seguiente manera:

    Nota Prácticas =0,5 * Nota Proyecto 1 + 0,5 * Nota Proyecto 2

Para poder calcular esta nota, cada proyecto deberá tener una nota superior o igual a 6. La nota de cada proyecto se calcula a partir de un compendio de notas:

Nota Proyecto= 0,6 * Nota Individual + 0,4 * Nota Grupo

La Nota de Grupo ha de ser superior o igual a 5.

Nota Individual = 0,4 * Cuestionario + 0,3 * Presentación_Individual + 0,3 * Participación_grupal

Nota Grupo = 0,6 * Código + 0,3 * Informe + 0,1 * Presentación_Grup

La Nota de Cuestionario deberá de ser superior o igual a 5, y la Nota de Código también deberá ser superior o igual a 5.

 Sesiones de recuperación. En caso de que la Nota de Proyecto no llegue al nivel adecuado para obtener la nota final aprobada, los estudiantes tendrán dos opciones de recuperación:

  •  La opción de volver a presentar y defender sus proyectos en una sesión específica de recuperación. En caso de que el estudiante se presente a esta sesión de recuperación, la nota de grupo máxima que se podrá alcanzar es de 7.
  •  La opción de repetir el cuestionario en una sesión de recuperación. En caso de que el estudiante se presente a esta sesión de recuperación, la nota máxima de cuestionario que podrá alcanzar es de 7.

 Notas Importantes:

 En caso de que no se supere la asignaturadebido a que alguna de las actividades de evaluación no llegue a la nota mínima requerida, la nota numérica del expediente será la mínima entre 4.5 y la media ponderada de las notas, con la excepción que la nota numérica del expediente será la mínima entre 3.0 y la media ponderada de las notas en caso que el estudiante haya cometido alguna irregularidad en un acto de evaluación, tal como las que se listan más abajo (y por tanto no será posible aprobar por compensación).

El estudiante tendrá la cualificación de No Evaluable en el caso que no haya participado en ninguna de las actividades de evaluación.

El estudiante tendrá una nota de Matrícula de Honor” si su número en el ranking global está por debajo del número de máximos de MH permitidas en el curso, y su nota final sea superior a un umbral que establecerá el profesor en el momento que tenga todas las notas finales.

Las fechas de la evaluación continuada y la entrega de trabajos se publicarán en Caronte.uab.cat, y pueden estar sometidas a cambios de programación por motivos de adaptación a posibles incidencias. Siempre se informará a través de cartonte.uab.cat sobre estos cambios, ya que se entiende que ésta es la plataforma habitual de intercambio de comunicaciones entre profesores y estudiantes.

En el caso de estudiantes repetidores de la asignatura no se hará ninguna convalidación con una nota obtenida en un curso anterior.

Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, las irregularidades cometidas por un estudiante que puedan conducir a una variación de las calificaciones, se calificarán con un cero (0). Las actividades calificadas de esta forma y por este procedimiento no serán recuperables. Si es necesario superar cualquiera de estas actividades de evaluación para aprobar la asignatura, esta asignatura quedará suspendida directamente, sin oportunidad de recuperarla dentro del mismo curso. Estas irregularidades incluyen, entre otras:

  • la copia total o parcial de una práctica, informe, o cualquier otra actividad de evaluación;
  • dejar copiar;
  • presentar un trabajo en grupo no hecho íntegramente por los miembros del grupo;
  • presentar como propios materiales elaborados por un tercero, aunque sean traducciones o adaptaciones, y e general trabajos con elementos no originales y exclusivos del estudiante;
  • tener dispositivos de comunicación (como teléfonos móviles, Smart watches, etc.) accesibles durante las pruebas de evaluación teórico-prácticas individuales (exámenes).

En resumen: copiar, dejar copiar o plagiar en cualquiera de les actividades de evaluación equivale a un SUSPENSO con nota inferior o igual a 3.0.

 

 

Actividades de evaluación

Título Peso Horas ECTS Resultados de aprendizaje
Defena del proyecto (Cuestionario+Memoria+Código+Intra_grupal+Presentación) 0.12 60 2,4 3, 2, 6, 7, 8, 9
Entrega de problemas resueltos 0.1 0 0 1, 2, 4, 5, 6, 7
Examen individual 0.5 4 0,16 1, 2, 4, 5, 6, 7

Bibliografía

  • S. Russell i P. Norvig, Artificial Intelligences - A modern approach. Prentice Hall, 2003, http://aima.cs.berkeley.edu/
  • Tveter, Donald R., (1998), The Pattern Recognition basis of Artificial Intelligence. IEEE Computer Society.