- Máster Universitario en Educación y Recursos Digitales (Elearning)
- Máster Universitario en Neuropsicología
- Máster Universitario en Psicopedagogía
- Máster Universitario en Dirección y Gestión de Centros Educativos
- Máster Universitario en Educación Inclusiva y Personalizada
- Máster Universitario en Psicología General Sanitaria
- Máster Universitario en Formación del Profesorado de Educación Secundaria, Bachillerato, Formación Profesional y Enseñanza de Idiomas
- Formación Pedagógica para el Acceso a la Profesión Docente de Formación Profesional
- Máster Universitario en Dirección y Administración de Empresas (MBA)
- Máster Universitario en Dirección Económico-Financiera
- Máster Universitario en Auditoría de Cuentas
- Máster Universitario en Dirección y Gestión Contable
- Máster Universitario en Marketing Digital y Redes Sociales
- Máster Universitario en Dirección Comercial y Marketing
- Máster Universitario en Asesoría Fiscal
- Máster Universitario en Práctica de la Abogacía y de la Procura
- Máster Universitario en Dirección y Gestión de Recursos Humanos
- Máster Universitario en Asesoría Jurídico-Laboral
- Máster Universitario en Prevención de Riesgos Laborales
- Máster Universitario en Análisis e Investigación Criminal
- Máster Universitario en Asesoría Jurídica de Empresas
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Inteligencia artificial
| Código de la asignatura | 1395 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Obligatoria |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Esta asignatura introduce el concepto de inteligencia artificial, y describe las principales técnicas usadas en este campo. Uno de los principales objetivos de esta asignatura es que el estudiante sea capaz de elegir una técnica de inteligencia artificial apropiada para resolver cada problema. Además, el estudiante aprende las principales ventajas e inconvenientes de cada técnica de inteligencia artificial.
En este asignatura, el estudiante adquiere la habilidad de innovar y ser creativo para la resolución de nuevos problemas difíciles de resolver sin las técnicas de inteligencia artificial. Para el desarrollo de esta asignatura, se podrán usar los conocimientos previos de programación del estudiante, así como nuevos paradigmas, herramientas y lenguajes.
- Capacidad de resolución de problemas aplicando conocimientos de matemáticas, ciencias e ingeniería.
- Capacidad para el aprendizaje autónomo y la actualización de conocimientos, así como el reconocimiento de su necesidad en el área de la informática.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para trabajar profesionalmente como miembro de un equipo, organizando, planificando, tomando decisiones, negociando y resolviendo conflictos multidisciplinares, relacionándose, criticando y haciendo autocrítica.
- Capacidad para comunicarse de forma efectiva con los compañeros, usuarios (potenciales) y el público en general acerca de cuestiones reales y problemas relacionados con la ingeniería informática.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para trabajar en el ámbito profesional de la Ingeniería Informática de forma efectiva como individuo, organizando y planificando su propio trabajo.
- Capacidad para conocer y aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
- Capacidad de análisis y síntesis.
- Comunicación oral y escrita en la lengua nativa.
- Utilizar eficientemente los recursos y herramientas disponibles en el aula virtual de la universidad, así como ser capaz de manejar en un nivel óptimo las tecnologías de la información y la comunicación aplicadas a la educación a distancia.
- Toma de decisiones.
- Creatividad.
- Iniciativa y espíritu emprendedor.
- Conocer diversas técnicas de Inteligencia Artificial y tener criterio para seleccionar una para cada problema.
- Aplicar una técnica de Inteligencia Artificial para resolver un problema.
- Construir, evaluar e integrar representaciones del conocimiento.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la Inteligencia Artificial 1.1 Introducción 1.2 La IA como Ciencia y como IC 1.2.1 IA como Ciencia 1.2.2 IA como Ingeniería 1.3 Perspectiva histórica: fundamentos y metodología 1.4 Paradigmas actuales en IA 1.4.1 El paradigma simbólico 1.4.2 El paradigma situado 1.4.3 El paradigma conexionista 1.4.4 El paradigma híbrido 1.5 El conocer humano y el conocer de las máquinas |
|
| Semanas 2 y 3 | Tema 2. La IA, los problemas y teorización de soluciones 2.1 La IA y la Resolución de problemas 2.1.1 Introducción 2.1.2 Definición del Problema en IA 2.1.3 Tipos de Problemas 2.1.4 Los problemas y la IA 2.2 Inteligencia Artificial y los Problemas 2.2.1 La IA y la Identificación de Problemas 2.2.2 Técnicas de Resolución de Problemas en IA 2.2.3 Aplicación Práctica para el Proyecto de IA 2.3 Holones e Informones 2.3.1 El Concepto de Informón 2.3.2 El Concepto de Holón 2.3.3 Holones e Informones en el Desarrollo del Proyecto de IA 2.4 Sistemas Multiagentes 2.4.1 Definición de Agente y Sistema Multiagente 2.4.2 Aplicación de los Sistemas Multiagentes en Problemas de IA 2.4.3 Componentes Clave de los Sistemas Multiagentes |
|
| Semana 4 | Tema 3. Introducción a las Técnicas de Búsqueda 3.1 Introducción 3.2 Algunos ejemplos 3.2.1 Generación de planes de actuación de robots 3.2.2 Problemas de rutas óptimas en grafos 3.2.3 Juegos con contrincante 3.3 Formulación de problemas de búsqueda 3.4 Métodos de búsqueda sin información 3.4.1 Recorrido de árboles 3.4.2 Recorrido de grafos |
|
| Semana 5 y 6 | Tema 4. Técnicas Basadas en Búsquedas Heurísticas 4.1 Introducción 4.2 Búsqueda primero el mejor 4.3 El algoritmo A* 4.3.1 Descripción del algoritmo A* 4.3.2 Propiedades formales 4.3.3 Diseño de heurísticos simples 4.3.4 Relajación de las condiciones de optimalidad 4.3.5 Diseño sistemático de heurísticos 4.4 Búsqueda con memoria limitada 4.4.1 Algoritmo IDA* 4.4.2 Algoritmo SMA* 4.5 Algoritmos voraces 4.6 Algoritmos de ramificación y poda 4.7 Algoritmos de mejora iterativa o búsqueda local 4.7.1 Algoritmos de escalada o máximo gradiente 4.7.2 Temple simulado 4.7.3 Búsqueda tabú |
|
| Semana 7 | Tema 5. Juegos 5.1 Algoritmo minimax 5.2 Poda Alfa Beta 5.3 Otros tipos de juegos |
|
| Semanas 8 y 9 | Tema 6. Razonamiento 6.1 Introducción 6.2 Sistemas Expertos 6.3 Sistemas Difusos |
|
| Semana 10 y 11 | Tema 7. Aprendizaje Automático (Machine Learning) 7.1 Introducción 7.2 Aprendizaje Supervisado: Clasificaciones 7.3 Aprendizaje Supervisado: Regresiones 7.4 Aprendizaje no Supervisado 7.5 Aprendizaje Semisupervisado 7.6 Aprendizaje por Refuerzo 7.7 Aprendizaje en Conjunto |
|
| Semanas 12 y 13 | Tema 8. Aprendizaje Profundo (DeepLearnning) 8.1 Introducción 8.2 Redes Neuronales Artificiales 8.3 Redes neuronales Convolucionales 8.4 Redes neuronales Recurrentes 8.5 Transformers 8.6 Redes Neuronales Gráficas 8.7 Redes Neuronales Bayesianas 8.8 Meta aprendizaje |
|
| Semanas 14 y 15 | Tema 9. Futuro de la IA. La barrera del Significado 9.1 Sobre la Comprensión 9.2 Conocimiento, abstracción y analogía en la IA 9.3 Preguntas, respuestas y especulaciones |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 3 | 10% |
| Actividades de Ebaluación Continua (AEC) | 4 | 30% |
| Controles | 1 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).