Guías Docentes Electrónicas
1. DATOS GENERALES
Asignatura:
SISTEMAS INTELIGENTES
Código:
42321
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
346 - GRADO EN INGENIERÍA INFORMÁTICA (AB)
Curso académico:
2018-19
Centro:
604 - ESCUELA SUPERIOR DE INGENIERIA INFORMATICA (AB)
Grupo(s):
10  11  12 
Curso:
3
Duración:
Primer cuatrimestre
Lengua principal de impartición:
Español
Segunda lengua:
Inglés
Uso docente de otras lenguas:
El grupo I se imparte completamente en inglés. Bibliografía en inglés para los grupos A y B.
English Friendly:
S
Página web:
http://campusvirtual.uclm.es
Bilingüe:
S
Profesor: JOSE ANTONIO GAMEZ MARTIN - Grupo(s): 10  11 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII/1.C.13
SISTEMAS INFORMÁTICOS
2473
jose.gamez@uclm.es
Consultar http://esiiab.uclm.es/pers.php?codpers=jgamez

Profesor: ISMAEL GARCIA VAREA - Grupo(s): 10  11  12 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII/1.D.1
SISTEMAS INFORMÁTICOS
2548
ismael.garcia@uclm.es
Consultar https://www.esiiab.uclm.es/pers.php?codpers=ivarea

Profesor: JOSE MIGUEL PUERTA CALLEJON - Grupo(s): 10  11 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII / 1.C.14
SISTEMAS INFORMÁTICOS
2450
jose.puerta@uclm.es
En el enlace: http://esiiab.uclm.es/pers.php?codpers=81&curso=2017-18

Profesor: LUIS DE LA OSSA JIMENEZ - Grupo(s): 12 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII / 0.A.12
SISTEMAS INFORMÁTICOS
2413
luis.delaossa@uclm.es
Consultar https://www.esiiab.uclm.es/tutorias.php

2. REQUISITOS PREVIOS

Para cursar esta asignatura se requiere capacidad para trabajar con conceptos abstractos y cierta capacidad para la resolución de problemas de forma autónoma.

A nivel de contenidos en asignaturas previas en el plan de estudios se requiere:

  • Conocimientos básicos en matemática discreta y probabilidad.
  • Capacidad para plantear y resolver problemas de forma lógica (lógica de primer orden, inferencia, resolución, etc.)
  • Dominio de las estructuras de datos típicas (grafos, árboles, etc.) así como en los algoritmos necesarios para su manejo.
  • Conocimientos de las técnicas algoritmicas básicas, principios de ingeniería del software, anális de coste de algoritmos y complejidad algoritmica.
  • Fluidez en la programación con lenguajes de alto nivel orientados a objetos (p.e. Java).

También se requiere capacidad de trabajo en grupo y conocimiento básico (lectura y comprensión) de Inglés.

3. JUSTIFICACIÓN EN EL PLAN DE ESTUDIOS, RELACIÓN CON OTRAS ASIGNATURAS Y CON LA PROFESIÓN

[ESPAÑOL] 

Esta asignatura representa la puerta de entrada o presentación a las técnicas de Inteligencia Artificial dentro del Grado. Estas técnicas se incluyen hoy en día entre las más requeridas para la resolución de problemas complejos: toma de decisiones; sistemas de diagnóstico, monitorización y control; buscadores web; web semántica o web 2.0; sistemas de recomendaciones; aprendizaje automático; minería y análisis de datos; visión y robótica; etc.

No cabe duda que la asignatura requiere de otras previas (matemática discreta, lógica, todas las de la materia de programación), es requisito para asignaturas situadas con posterioridad en el plan de estudios (minería de datos, sistemas basados en el conocimiento, sistemas multiagente, visión artificial y robótica), y es co-requisito para definir de forma global un proyecto software con otras asignaturas como son sistemas de información, bases de datos y la materia de ingeniería del software.

[ENGLISH] THIS SUBJECT WITHIN THE DEGREE PROGRAMME, RELATIONSHIP WITH OTHER SUBJECTS AND WITH THE CS PROFESSION

This subject introduces the basic techniques of Artificial Intelligence in the degree. Such techniques are often required nowadays for the solution of complex problems: decision making, diagnose systems, control and monitoring, web search, semantic web, recommender systems, machine learning, data analysis and mining, vision, robotics, etc.

The subject certainly requires some other subjects previous in the program - discrete maths, logic, programming- and is a pre requisite of some other  posterior subjects such as data mining, knowledge based systems, multi agent systems, artificial intelligence, or robotic.

It is also a co-requisite which allows defining a software project with some other subjects such as information systems, data bases or software engineering.


4. COMPETENCIAS DE LA TITULACIÓN QUE LA ASIGNATURA CONTRIBUYE A ALCANZAR
Competencias propias de la asignatura
Código Descripción
BA4 Conocimientos básicos sobre el uso y programación de los ordenadores, sistemas operativos, bases de datos y programas informáticos con aplicación en ingeniería.
CO15 Conocimiento y aplicación de los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
INS1 Capacidad de análisis, síntesis y evaluación.
SIS1 Razonamiento crítico.
5. OBJETIVOS O RESULTADOS DE APRENDIZAJE ESPERADOS
Resultados de aprendizaje propios de la asignatura
Descripción
Conocer los principios y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
Resultados adicionales
Descripción
Conocer las principales metaheurísticas basadas en poblaciones. En particular Algoritmos Genéticos. Conocer bien sus componentes y cómo aplicarlos a un problema dado.
Capacidad de plantear problemas como búsqueda en espacio de estados y para elegir el enfoque adecuado de resolución de problemas basados en técnicas de búsqueda.
Comprender el concepto de metaheurística. Identificar las principales metaheurísticas basadas en vecindad, conocer bien sus componentes y tener capacidad para aplicarlas correctamente a un problema dado.
Obtener conocimientos básicos de representación del conocimiento (con y sin incertidumbre) y de la estructura de los sistemas basados en el conocimiento.
Capacidad de analizar las características de un problema dado y determinar si es susceptible de ser resuelto mediante técnicas de búsqueda. Decidir en base a criterios racionales la técnica más apropiada para resolverlo y saber aplicarla.
Conocer las técnicas básicas de búsqueda con adversario (minimax, poda alfa-beta) y su relación con los juegos.
Indentificar qué son los problemas de optimización y distinguir las distintas clases, siendo capaces de formular un caso real en este formalismo.
Comprender el concepto de la búsqueda local. Saber cómo aplicarla en la resolución de problemas de optimización y búsqueda. Identificar sus principales inconvenientes.
Comprender qué es un Sistema Basado en Reglas. Saber razonar con un sistema basado en reglas mediante mecanismos de inferencia, del que se conocerán las principales variantes.
6. TEMARIO
  • Tema 1: Introducción
  • Tema 2: Búsqueda en espacio de estados
  • Tema 3: Búsqueda heurística
  • Tema 4: Búsqueda con adversario
  • Tema 5: Agentes que aprenden
  • Tema 6: Problemas de Optimización Combinatoria
  • Tema 7: Metaheurísticas: Búsqueda local
  • Tema 8: Metaheurísticas: Algoritmos genéticos
  • Tema 9: Sistemas basados en reglas
  • Tema 10: Aprendizaje automático
  • Tema 11: Clasificación supervisada: reglas y árboles
  • Tema 12: Clasificación no supervisada: clustering
COMENTARIOS ADICIONALES SOBRE EL TEMARIO

[ENGLISH] SYLLABUS: 

Unit 1: Introduction

Unit 2: Search in the state-space.

Unit 3: Heuristic search.

Unit 4: Adversarial search.

Unit 5: Learning agents.

Unit 6: Combinatorial optimization problems.

Unit 7: Metaheuristics: local search

Unit 8: Metaheuristics: genetic algorithms.

Unit 9: Rule-based systems.

Unit 10: Machine learning.

Unit 11: Supervised classification: rules and trees.

Unit 12: Unsupervised classificacion: clustering.


7. ACTIVIDADES O BLOQUES DE ACTIVIDAD Y METODOLOGÍA
Actividad formativa Metodología Competencias relacionadas ECTS Horas Ev Ob Rec Descripción
Enseñanza presencial (Teoría) [PRESENCIAL] Método expositivo/Lección magistral CO15 1.12 28 N N N Las lecciones se apoyarán en presentaciones/transparencias y se usará principalmente el método expositivo, aunque dejamos unas horas para otro tipos de actividades según las características del tema que corresponda: puzzle, seminario, trabajo en grupo, etc.
Resolución de problemas o casos [PRESENCIAL] Resolución de ejercicios y problemas CO15 SIS1 INS1 0.32 8 S N N Se resolverán algunos de los ejercicios propuestos bien en clase o en las hojas de ejercicios subidas a la plataforma. Tras cada bloque de temas, se les facilitará a los alumnos un conjunto de ejercicios asociados, diferentes de los vistos en clase de teoría. Los alumnos tendrán que resolverlos de manera autónoma e individual para poder practicar sus habilidades para la resolución, pudiendo acudir a tutorías para resolver dudas (también se dedicarán algunas clases de grupo pequeño a estos ejercicios). En algunos casos, y para demostrar la capacidad adquirida para resolver este tipo de problemas, los profesores utilizarán como herramientas de evaluación (individual) o bien la entrega de las soluciones a la plataforma dentro del plazo establecido. En las sesiones de resolución de problemas en clase se impartirán también las pautas de corrección para la actividad de co-evaluación basada en corrección por pares asociada a cada una de las relaciones de problemas entregadas. En ambos casos el alumno recibirá una nota por cada bloque de problemas/temas.
Enseñanza presencial (Prácticas) [PRESENCIAL] Combinación de métodos CO15 BA4 0.24 6 N N N Se explicará en clase cada una de las prácticas que haya que entregar (previsiblemente 3) el primer día de laboratorio donde dicha práctica comience. Se les dará el enunciado previamente, pero además en clase, se explicará mejor, se mostrará el código y la ejecución del mismo, y se les guiará en el proceso de comprender lo que se quiere conseguir. Aquí también incluimos las dudas que los alumnos puedan tener a lo largo del desarrollo de sus prácticas en el laboratorio.
Prácticas en aulas de ordenadores [PRESENCIAL] Aprendizaje basado en problemas (ABP) CO15 BA4 0.48 12 N N N Los alumnos en grupos de 2 (excepcionalmente se pueden permitir trabajos individuales o de 3 personas) estudiarán el problema planteado, diseñarán el agente y el algoritmo que consideren más oportuno (siguiendo las pautas del enunciado), y lo implementarán. Finalmente, una vez concluidas las pruebas de funcionamiento, se realizarán las experimentaciones que se les hubiese indicado. Es decir, este apartado incluye la parte de programación (que será en el lenguaje Java) en el aula, más la discusión/colaboración con los compañeros para llegar a ella.
Presentación de trabajos o temas [PRESENCIAL] Aprendizaje basado en problemas (ABP) SIS1 INS1 0.08 2 S N N Opcionalmente los alumnos (individualmente o por grupos pequeños, según se indique) podrán realizar trabajos relacionados con el contenido de la asignatura. Estos trabajos consistirán en el estudio de alguna técnica o resolución de algún problema, y deberán ser expuestos en clase.
Pruebas de progreso [PRESENCIAL] Pruebas de evaluación CO15 INS1 0.16 4 S S S Entrevistas de prácticas. Para la evaluación de cada una de las prácticas se realizará una entrevista presencial a cada grupo de prácticas.
Estudio o preparación de pruebas [AUTÓNOMA] CO15 BA4 SIS1 INS1 1.68 42 N N N En base a las transparencias de las lecciones disponibles en el espacio virtual, al material adicional proporcionado online, a las clases/explicaciones recibidas en la enseñanza presencial, los alumnos tendrán que realizar su propio estudio y comprensión de las técnicas vistas. Además, deberán emplear esta adquisición de conocimiento y habilidades para la resolución de las hojas de ejercicios propuestas y co-evaluación de las entregas realizadas por otros compañeros. Este será el mejor entrenamiento para comprender la asignatura y también para las pruebas presenciales.
Elaboración de informes o trabajos [AUTÓNOMA] Resolución de ejercicios y problemas CO15 BA4 SIS1 INS1 0.96 24 S N S Además del estudio de los temas de teoría, se deberán abordar ejercicios y problemas de distinta índole que luego serán resueltos en clase.
Elaboración de memorias de Prácticas [AUTÓNOMA] Prácticas SIS1 INS1 0.72 18 S S S Se implementarán diferentes técnicas de las vistas en las clases teóricas para agentes inteligentes en diferentes entornos. Aparte del apartado de programación, será muy importante que el alumno/grupo cuide la estructura, redacción y contenidos incluidos en la memoria. Así, además, pretendemos reforzar la adquisición de la competencia INS1.
Análisis de artículos y recensión [AUTÓNOMA] Lectura de artículos científicos y preparación de recensiones 0.24 6 S N S A lo largo del curso se proporcionará material adicional al contenido de la asignatura que servirá para contextualizar, justificar, y ampliar el mismo.
Total: 6 150
Créditos totales de trabajo presencial: 2.4 Horas totales de trabajo presencial: 60
Créditos totales de trabajo autónomo: 3.6 Horas totales de trabajo autónomo: 90
Ev: Actividad formativa evaluable
Ob: Actividad formativa de superación obligatoria
Rec: Actividad formativa recuperable
8. CRITERIOS DE EVALUACIÓN Y VALORACIONES
  Valoraciones  
Sistema de evaluación Estudiante presencial Estud. semipres. Descripción
Prueba final 40.00% 0.00% (ESC) Prueba escrita de carácter individual a realizar por todos los alumnos. Es obligatorio obtener una puntuación minima (5/10) para superar la asignatura.
Realización de prácticas en laboratorio 20.00% 0.00% [LAB] El total de la nota de prácticas, es un 40% de la nota final. Los alumnos (por parejas) irán realizando sus prácticas en el aula, y necesitarán trabajo también de manera autónoma. A la hora de evaluar una práctica, los profesores mirarán el código (eficiencia y eficacia), la memoria, etc.. pero la prueba de evaluación consiste en una entrevista en laboratorio. Mediante esta prueba además de valorar cómo de bien está el trabajo, se podrá ver si el alumno comprende el problema y el por qué de la solución aportada, conociendo ventajas e inconvenientes de la misma. OBLIGATORIO SUPERAR cada una de las prácticas para APROBAR la asignatura.
Elaboración de memorias de prácticas 10.00% 0.00% [LAB 50%] [INF 50%] La competencia de síntesis es propia de esta asignatura (por decisión del centro), así que haremos especial hincapié en que las memorias de prácticas estén correctamente escritas (ortografía, gramática, expresión, vocabulario, claridad, etc..) y estructurada. El uso de gráficas resumen, diagramas, etc.. serán valorados positivamente cuando estén bien escogidos y empleados. OBLIGATORIO SUPERAR UNA CALIDAD MÍNIMA EN LA MEMORIA para superar las prácticas y, por tanto, aprobar la asignatura.
Resolución de problemas o casos 16.00% 0.00% [INF] Se presentarán hojas de ejercicios, tareas, etc... que el alumno (de forma individual) deberá resolver y enviar en un plazo determinado. Esta actividad estará asociada a la de co-evaluación de las entregas realizadas por otros compañeros (corrección por pares). En total, este tipo de tareas sumarán hasta el 16% de la nota, siempre que se haya completado exitosamente la tarea asociada de corrección por pares.
Otro sistema de evaluación 10.00% 0.00% (PRES) Cada grupo de prácticas deberá presentar su práctica al profesor y responder a las preguntas realizadas.
NOTA IMPORTANTE: Todos los alumnos deberán asistir a las entrevistas de prácticas para que se les pueda calificar esa parte. Aunque la entrega de las prácticas es por parejas (grupo), la entrevista puede considerarse una evaluación individual.
Podrá planificarse una una sesión de exposiciones en la que cada grupo exponga su práctica al resto de los alumnos.
Actividades de autoevaluación y coevaluación 4.00% 0.00% [INF] Esta tarea está asociada a la de resolución de problemas y casos. Los alumnos, tras recibir las soluciones y pautas de corrección, realizarán de forma individual corrección por pares de otras dos entregas.
Total: 100.00% 0.00%  

Criterios de evaluación de la convocatoria ordinaria:
- Superar la parte de teoría con nota >= 5.
- Superar cada práctica individualmente con nota >= 5.
- La entrega de las hojas de problemas/cuestionarios no es obligatoria, aunque si muy recomendable.

- Si teoría y prácticas (todas) se han superado, entonces la nota será 0.4*teoría + 0.4*prácticas + 0.2*problemas.
- Si no se superan ambas partes la nota será No Presentado si no se ha realizado el examen de teoría y mínimo( 4.0, nota-teoría) si el examen
si ha sido realizado.

- Se guarda la teoría (completa) para el extraordinario.
- Se guardan las prácticas (individualmente) para el extraordinario.

Originalidad: La entrega de cualquier ejercicio (examen, memoria de prácticas, código, problemas, etc.) supone implícitamente la declaración
de originalidad por parte de los autores, por lo que en caso de detección de plagio, copia, etc. se iniciarán las medidas disciplinarias oportunas.
Particularidades de la convocatoria extraordinaria:
- No se consideran los problemas/cuestionarios de la convocatoria ordinaria.
- La nota se obtiene como la media entre teoría y prácticas una vez superadas ambas partes por separado. En caso contrario la nota será No
Presentado si no se ha realizado el examen de teoría y mínimo( 4.0, nota-teoría) si el examen si ha sido realizado.
Particularidades de la convocatoria especial de finalización:
- No se consideran los problemas/cuestionarios de la convocatoria ordinaria.
- La nota se obtiene como la media entre teoría y prácticas una vez superadas ambas partes por separado. En caso contrario la nota será No
Presentado si no se ha realizado el examen de teoría y mínimo( 4.0, nota-teoría) si el examen si ha sido realizado.
9. SECUENCIA DE TRABAJO, CALENDARIO, HITOS IMPORTANTES E INVERSIÓN TEMPORAL
No asignables a temas
Horas Suma horas
Enseñanza presencial (Prácticas) [PRESENCIAL][Combinación de métodos] 6
Resolución de problemas o casos [PRESENCIAL][Resolución de ejercicios y problemas] 8
Prácticas en aulas de ordenadores [PRESENCIAL][Aprendizaje basado en problemas (ABP)] 12
Presentación de trabajos o temas [PRESENCIAL][Aprendizaje basado en problemas (ABP)] 2
Pruebas de progreso [PRESENCIAL][Pruebas de evaluación] 4
Elaboración de informes o trabajos [AUTÓNOMA][Resolución de ejercicios y problemas] 24
Elaboración de memorias de Prácticas [AUTÓNOMA][Prácticas] 18
Análisis de artículos y recensión [AUTÓNOMA][Lectura de artículos científicos y preparación de recensiones] 6
Comentarios generales sobre la planificación:
[ESPAÑOL] Esta planificación es ORIENTATIVA, pudiendo variar a lo largo del periodo lectivo en función de las necesidades docentes, festividades, etc. La planificación semanal de la asignatura podrá encontrarse de forma detallada y actualizada en la plataforma Campus Virtual (moodle). Las clases correspondientes a las actividades presenciales se organizan en tres franjas de 1.5 horas semanales. Oportunamente se informará de las franjas concretas usadas hasta completar el total de horas presenciales programadas. Aunque la asignatura tiene un horario de mañana, las actividades de evaluación o recuperación de clases (teóricas o prácticas) podrían planificarse, excepcionalmente, en horario de tarde (de 16h a 20:30h). [ENGLISH] This course schedule is APPROXIMATE. It could vary throughout the academic course due to teaching needs, bank holidays, etc. A weekly schedule will be properly detailed and updated on the online platform (Virtual Campus) Note that all the lectures, practice sessions, exams and related activities performed in the bilingual groups will be entirely taught and assessed in English.
Tema 1 (de 12): Introducción
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 1
Estudio o preparación de pruebas [AUTÓNOMA][ ] 1.5
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se presentará la asignatura y se presentará el ámbito de los sistemas inteligentes. Se revisará brevemente la historia de la inteligencia artificial.
Tema 2 (de 12): Búsqueda en espacio de estados
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 3
Estudio o preparación de pruebas [AUTÓNOMA][ ] 4.5
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Tema de búsqueda en el espacio de estados. Métodos no informados
Tema 3 (de 12): Búsqueda heurística
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 3
Estudio o preparación de pruebas [AUTÓNOMA][ ] 4.5
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Tema de Búsqueda Heurística. Busqueda informada/heurística.
Tema 4 (de 12): Búsqueda con adversario
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 3
Estudio o preparación de pruebas [AUTÓNOMA][ ] 4.5
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Búsqueda en juegos. Búsquedas de estrategias con adversario.
Tema 5 (de 12): Agentes que aprenden
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 4
Estudio o preparación de pruebas [AUTÓNOMA][ ] 6
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se estudiará la búsqueda en espacio de estados en entornos no deterministas. Se verá el paradigma del aprendizaje por refuerzo.
Tema 6 (de 12): Problemas de Optimización Combinatoria
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 2
Estudio o preparación de pruebas [AUTÓNOMA][ ] 3
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Estudio de Problemas de búsqueda en espacios combinatorios.
Tema 7 (de 12): Metaheurísticas: Búsqueda local
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 2
Estudio o preparación de pruebas [AUTÓNOMA][ ] 3
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se estudiará el método de escalado de colinas y algunas de sus variantes.
Tema 8 (de 12): Metaheurísticas: Algoritmos genéticos
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 2
Estudio o preparación de pruebas [AUTÓNOMA][ ] 3
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se estudiará una aproximación a la optimización combinatoria desde el punto de vista de la computación evolutiva, en particular su representante más clásico: Algoritmos Genéticos.
Tema 9 (de 12): Sistemas basados en reglas
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 2
Estudio o preparación de pruebas [AUTÓNOMA][ ] 3
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se estudiarán las reglas (de producción) como sistema para representar conocimiento. Se verán los principales paradigmas de razonamiento/inferencia para los SBRs.
Tema 10 (de 12): Aprendizaje automático
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 1
Estudio o preparación de pruebas [AUTÓNOMA][ ] 1.5
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se introducirá a los alumnos en el paradigma del aprendizaje automático a partir de datos, incidiendo en sus aplicaciones a problemas reales.
Tema 11 (de 12): Clasificación supervisada: reglas y árboles
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 3
Estudio o preparación de pruebas [AUTÓNOMA][ ] 4.5
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: Se presentará el problema de la clasificación supervisada y su evaluación. Se introducirán modelos muy básicos de clasificadores basados en reglas (1R) y el algoritmo de clasificación basado en árboles de decisión.
Tema 12 (de 12): Clasificación no supervisada: clustering
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 2
Estudio o preparación de pruebas [AUTÓNOMA][ ] 3
Grupo 10:
Inicio del tema: Fin del tema:
Grupo 11:
Inicio del tema: Fin del tema:
Grupo 12:
Inicio del tema: Fin del tema:
Comentario: En este tema se estudiará el paradigma de la clasificación no supervisada o clustering. Se ejemplificará mediante el algoritmo de las k-medias y se describirán aplicacines reales de esta técnica.
10. BIBLIOGRAFÍA, RECURSOS
Autor/es Título Libro/Revista Población Editorial ISBN Año Descripción Enlace Web Catálogo biblioteca
Nilsson, Nils J. Inteligencia artificial : una nueva síntesis McGraw Hill 84-481-2824-9 2000 Ficha de la biblioteca
Palma Méndez, José T.; Marín Morales, Roque Luis Inteligencia artificial : técnicas, métodos y aplicaciones McGraw Hill 978-84-481-5618-3 2008 http://www.mcgraw-hill.es/html/8448156188.html Ficha de la biblioteca
Russell, Stuart J. Inteligencia artificial : un enfoque moderno Pearson 978-84-205-4003-0 2007 http://aima.cs.berkeley.edu/ Ficha de la biblioteca



Web mantenido y actualizado por el Servicio de informática