Guías Docentes Electrónicas
1. DATOS GENERALES
Asignatura:
SISTEMAS INTELIGENTES
Código:
42321
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
406 - GRADO EN INGENIERÍA INFORMÁTICA (AB)_20
Curso académico:
2021-22
Centro:
604 - E.S. DE INGENIERIA INFORMATICA ALBACETE
Grupo(s):
10  11  12 
Curso:
3
Duración:
Primer cuatrimestre
Lengua principal de impartición:
Español
Segunda lengua:
Inglés
Uso docente de otras lenguas:
Inglés en el Grupo I (Grupo bilingüe)
English Friendly:
N
Página web:
http://campusvirtual.uclm.es
Bilingüe:
S
Profesor: MARIA JULIA FLORES GALLEGO - Grupo(s): 12 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII/0.C.15
SISTEMAS INFORMÁTICOS
2438
julia.flores@uclm.es

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

Profesor: ISMAEL GARCIA VAREA - Grupo(s): 11  12 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII/1.D.1
SISTEMAS INFORMÁTICOS
2548
ismael.garcia@uclm.es

Profesor: JESUS MARTINEZ GOMEZ - Grupo(s): 10  11  12 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
Agrupación Politécnica/ Desp. 1.E.4
SISTEMAS INFORMÁTICOS
967599365
jesus.martinez@uclm.es

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

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.

 


4. COMPETENCIAS DE LA TITULACIÓN QUE LA ASIGNATURA CONTRIBUYE A ALCANZAR
Competencias propias de la asignatura
Código Descripción
BA04 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.
INS01 Capacidad de análisis, síntesis y evaluación.
SIS01 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
7. ACTIVIDADES O BLOQUES DE ACTIVIDAD Y METODOLOGÍA
Actividad formativa Metodología Competencias relacionadas (para títulos anteriores a RD 822/2021) ECTS Horas Ev Ob Descripción
Enseñanza presencial (Teoría) [PRESENCIAL] Método expositivo/Lección magistral CO15 1.12 28 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 INS01 SIS01 0.32 8 N N Se resolverán algunos de los ejercicios propuestos bien en clase o en las hojas de ejercicios subidas a la plataforma. También se darán las pautas de corrección para las relaciones de problemas entregados. El estudiante recibirá una nota por cada bloque de problemas/temas.
Enseñanza presencial (Prácticas) [PRESENCIAL] Combinación de métodos BA04 CO15 0.24 6 N N Se explicará en clase cada una de las prácticas que haya que entregar (3-5) el primer día de laboratorio donde dicha práctica comience. El enunciado se facilitará previamente para que sea consultado con antelación a la práctica. Aquí también incluimos las dudas que los estudiantes puedan tener a lo largo del desarrollo de sus prácticas en el laboratorio.
Prácticas en aulas de ordenadores [PRESENCIAL] Aprendizaje basado en problemas (ABP) BA04 CO15 INS01 0.48 12 S S Los estudiantes analizarán el problema, desarrollarán el código solicitado y estudiarán el rendimiento ofrecido por las distintas soluciones.
Estudio o preparación de pruebas [AUTÓNOMA] Trabajo autónomo CO15 INS01 SIS01 2.16 54 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 estudiantes 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. Este será el mejor entrenamiento para comprender la asignatura y también para las pruebas presenciales. Se incluyen aquí también las horas dedicadas a la preparación de las prácticas de laboratorio.
Elaboración de informes o trabajos [AUTÓNOMA] Resolución de ejercicios y problemas CO15 INS01 SIS01 0.96 24 S N 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 estudiantes tendrán que resolverlos de manera autónoma e individual para poder practicar sus habilidades para la resolución. Para una selección de los mismos se entregará la solución para su corrección o se completará un cuestionario sobre los resultados obtenidos [INS01]
Elaboración de memorias de Prácticas [AUTÓNOMA] Presentación individual de trabajos, comentarios e informes CO15 INS01 SIS01 0.48 12 S S Como colofón a las prácticas de laboratorio se presentará una memoria de prácticas describiendo de forma global los agentes implementados e incluyendo una comparativa del rendimiento de los mismos sobre los problemas abordados. Podrán además plantearse soluciones adicionales exploradas por los propios estudiantes. Será muy importante que el estudiante/grupo cuide la estructura, redacción y contenidos incluidos en la memoria. Así, además, pretendemos reforzar la adquisición de la competencia [INS1]. Podrá hacerse una entrevista oral para completar la evaluación de la memoria presentada.
Análisis de artículos y recensión [AUTÓNOMA] Lectura de artículos científicos y preparación de recensiones CO15 INS01 SIS01 0.24 6 N N 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: 2.16 Horas totales de trabajo presencial: 54
Créditos totales de trabajo autónomo: 3.84 Horas totales de trabajo autónomo: 96

Ev: Actividad formativa evaluable
Ob: Actividad formativa de superación obligatoria (Será imprescindible su superación tanto en evaluación continua como no continua)

8. CRITERIOS DE EVALUACIÓN Y VALORACIONES
Sistema de evaluación Evaluacion continua Evaluación no continua * Descripción
Práctico 0.00% 40.00% [ESC][LAB] Examen de prácticas realizado en ordenador. Prueba individual. Es obligatorio obtener una puntuación minima (4/10) para superar la asignatura (no disponible en evaluación continua).
Prueba final 50.00% 60.00% [ESC] Prueba escrita de carácter individual a realizar por todos los alumnos. Es obligatorio obtener una puntuación minima (4/10) para superar la asignatura. Es la misma prueba en evaluación continua y no continua.
Realización de prácticas en laboratorio 30.00% 0.00% [LAB] La nota será la media aritmética de todas las prácticas realizadas en el laboratorio. Será necesario una nota mínima de 4/10 en este apartado para superar 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 la memoria de las prácticas estén correctamente escritas (ortografía, gramática, expresión, vocabulario, claridad, etc..), estructurada y contenga una evaluación correcta de los desarrollos y pruebas realizados. El uso de gráficas resumen, diagramas, etc.. serán valorados positivamente cuando estén bien escogidos y empleados. Será necesario una nota mínima de 4/10 en este apartado para superar la asignatura.
Resolución de problemas o casos 10.00% 0.00% [INF] Corresponde a la evaluación de la resolución de los problemas seleccionados a tal efecto de las hojas de ejercicios suministradas.

La entrega no es obligatoria, por tanto no hay mínimo en esta parte.

Disponible únicamente en evaluación continua.
Total: 100.00% 100.00%  
* En Evaluación no continua se deben definir los porcentajes de evaluación según lo dispuesto en el art. 4 del Reglamento de Evaluación del Estudiante de la UCLM, que establece que debe facilitarse a los estudiantes que no puedan asistir regularmente a las actividades formativas presenciales la superación de la asignatura, teniendo derecho (art. 12.2) a ser calificado globalmente, en 2 convocatorias anuales por asignatura, una ordinaria y otra extraordinaria (evaluándose el 100% de las competencias).

Criterios de evaluación de la convocatoria ordinaria:
  • Evaluación continua:
    - Las hojas de problemas deben entregarse en las fechas asignadas, si llevan asociada evaluación por pares, esta actividad es imprescindible para computar la nota. Esta actividad no es obligatoria, por lo que puede superarse la asignatura sin realizarla.

    - Las prácticas deben ser entregadas y defendidas en la sesión de laboratorio prevista. Para poder compensar con otras actividades la nota media de prácticas debe ser >=4.

    - La memoria de prácticas debe ser entregada en la fecha indicada. Podrá requerirse una defensa de la misma. Para poder compensar con otras actividades la nota debe ser >=4.

    - La prueba de teoría se realizará en la fecha de la convocatoria ordinaria asignada por el centro. Será necesario superarla con nota >=4.

    - La calificación de la asignatura es:
    0.5*teoría + 0.3*prácticas + 0.1*memoria + 0.1*problemas,
    siempre que los mínimos de teoría, memoria y prácticas se cumplan, en caso contrario será:
    mínimo( 4.0, nota-teoría) si el examen de teoría se realiza, o
    No Presentado si no se hace el examen de teoría.

    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.
  • Evaluación no continua:
    La evaluación de la asignatura se conformará de:
    - Examen de teoría: 60% (debe obtenerse una nota >=4 para compensar)
    - Examen de prácticas: 40% (debe obtenerse una nota >=4 para compensar)

    El examen de prácticas versará sobre las prácticas realizadas durante el curso y se realizará en ordenador.

    - La calificación de la asignatura es:
    nota-media = 0.6*teoría + 0.4*prácticas
    siempre que los mínimos de teoría y prácticas se cumplan, en caso contrario será:
    mínimo( 4.0, nota-media)

    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:
Se aplicará el esquema descrito para la evaluación no continua.
Particularidades de la convocatoria especial de finalización:
Se aplicará el esquema descrito para la evaluación no continua.
9. SECUENCIA DE TRABAJO, CALENDARIO, HITOS IMPORTANTES E INVERSIÓN TEMPORAL
No asignables a temas
Horas Suma horas
Resolución de problemas o casos [PRESENCIAL][Resolución de ejercicios y problemas] 8
Enseñanza presencial (Prácticas) [PRESENCIAL][Combinación de métodos] 6
Prácticas en aulas de ordenadores [PRESENCIAL][Aprendizaje basado en problemas (ABP)] 12
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 6
Elaboración de informes o trabajos [AUTÓNOMA][Resolución de ejercicios y problemas] 24
Elaboración de memorias de Prácticas [AUTÓNOMA][Presentación individual de trabajos, comentarios e informes] 18
Análisis de artículos y recensión [AUTÓNOMA][Lectura de artículos científicos y preparación de recensiones] 6

Tema 1 (de 12): Introducción
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] 1
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 1.5
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][Trabajo autónomo] 4.5
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][Trabajo autónomo] 4.5
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][Trabajo autónomo] 4.5
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][Trabajo autónomo] 6
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][Trabajo autónomo] 3
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][Trabajo autónomo] 3
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][Trabajo autónomo] 3
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][Trabajo autónomo] 3
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][Trabajo autónomo] 1.5
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][Trabajo autónomo] 4.5
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][Trabajo autónomo] 3
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.

Actividad global
Actividades formativas Suma horas
Comentarios generales sobre la planificación: 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 1h20m semanales. Oportunamente se informará de las franjas concretas usadas hasta completar el total de horas presenciales programadas. Las actividades de evaluación o recuperación de clases podrían planificarse excepcionalmente, en horario de tarde (mañana).
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
Russell, Stuart J. Artificial intelligence: a modern approach (4th edition) libro Pearson Education 978-1292401133 2021 http://aima.cs.berkeley.edu/ Ficha de la biblioteca



Web mantenido y actualizado por el Servicio de informática