Razonamiento con incertidumbre

La materia aborda algunos de los paradigmas formales más importantes para el tratamiento y la cuantificación de la incertidumbre en el razonamiento. Se tratarán métodos de representación gráfica que permiten simplificar el análisis de cualquier modelo probabilístico. La materia muestra su aplicabilidad con múltiples ejemplos de la ciencia y la ingeniería. La introducción posterior de la teoría de la decisión, en combinación con la teoría de la probabilidad, permite escoger la alternativa óptima a partir de la información disponible, ya sea ésta incompleta o ambigua.

1. Modelos gráficos.
2. Redes bayesianas.
3. Inferencia exacta y aproximada en modelos gráficos.
4. Modelos secuenciales.
5. Modelos de Markov.
6. Filtros de Kalman.
7. Teoría de la decisión.
8. Redes de decisión.
9. Teoría de juegos.

Bibliografía Básica
- S. Russell, P. Norvig. Artificial Intelligence. A Modern Approach. 4th ed. Pearson, 2022.
- K.B. Korb, A.E. Nicholson, Bayesian Artificial Intelligence. 2nd Ed. Chapman&Hall/CRC, 2011.
- Daphne Koller and Nir Friedman, Probabilistic Graphical Models: Principles and Techniques, MIT Press, 2009.
- M. J. Kochenderfer, T. A. Wheeler, K. H. Wray. Algorithms for Decision Making, MIT Press, 2022.

Bibliografía Complementaria
- R. Marín, J.T. Palma (Eds.) Inteligencia Artificial y Sistemas Inteligentes. Ed. McGraw-Hill, 2008.
- A. Darwiche, Modelling and reasoning with Bayesian networks. Cambridge Univ. Press, 2009.
- Pearl, J., Probabilistic Reasoning in Intelligent Systems: networks of plausible inference. Morgan-Kaufmann, 1988.
- Curso de Inteligencia Artificial. Fernando Sancho Caparrini. http://www.cs.us.es/~fsancho

Competencias
BÁSICAS y GENERALES
- [CB4] Que el alumnado pueda transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- [CG2] Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad.
- [CG4] Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.

ESPECÍFICAS
- [CE13] Capacidad para modelar y diseñar sistemas basados en representación del conocimiento y razonamiento lógico o aproximado y aplicarlas a diferentes dominios y problemas, también en contextos de incertidumbre.

TRANSVERSALES
- [TR2] Capacidad de trabajo en equipo, en entornos interdisciplinares y gestionando conflictos.
- [TR3] Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.


Resultados del Aprendizaje
- Conocer los paradigmas formales más importantes para el tratamiento y la cuantificación de la incertidumbre en el razonamiento.
- Saber aplicar los modelos gráficos y las redes bayesianas, conociendo la inferencia exacta y aproximada.
- Conocer los modelos de probabilísticos a la hora de resolver problemas en los que existe incertidumbre.
- Conocer la teoría de la decisión y la teoría de juegos en la resolución de problemas.

La metodología didáctica se basará en el trabajo individual -aunque en ocasiones se desarrolle en grupos-, en la discusión con el/la profesor/a en clase y en las tutorías individuales.

Para cada tema o bloque temático de las clases expositivas, el/la profesor/a preparará los contenidos, explicará los objetivos del tema al alumnado en clase, les sugerirá bibliografía, les proporcionará material de trabajo adicional, etc. En las clases expositivas se trabajarán las competencias CB4, CG2, CG4 y CE13. Además, los/las profesores/as propondrán al alumnado un conjunto de actividades a realizar, de forma individual o en grupo (trabajos, presentaciones, lecturas, prácticas ...). El alumnado deberá en general presentarlas para su evaluación, para lo que se indicarán los plazos de entrega/presentación a través de los cauces que se establezcan. Estas actividades permitirán desarrollar las competencias anteriores y adicionalmente las TR2 y TR3.

El alumnado trabajará de forma individual o en grupos reducidos, con el apoyo constante del profesorado. Se dispondrá de guiones de prácticas, seminarios y otras actividades a realizar de modo individual o en grupos reducidos.
La docencia estará apoyada por la plataforma USC virtual de la siguiente manera: repositorio de la documentación relacionada con la materia (textos, presentaciones, lecturas recomendadas...) y tutorización virtual de los estudiantes (correo-e, foros).

La evaluación del aprendizaje considera tanto la parte teórica (60%), como la práctica (40%). Para superar la materia ha de conseguirse una nota global igual o superior a 5, sobre una puntuación máxima de 10 puntos, de acuerdo con los siguientes criterios:

- Parte teórica: se evaluará en un único examen a realizar en la fecha oficial. La calificación del examen ha de ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. En otro caso deberá repetirse en la oportunidad de recuperación.

- Parte práctica: evaluación de todas las actividades prácticas propuestas por los docentes (entrega de trabajos, presentaciones en el aula, entrega de ejercicios, realización de prácticas). Todas las prácticas tendrán el mismo peso en la calificación de esta parte. La calificación de esta parte ha de ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. Aquellas entregas con una calificación inferior a 3 puntos deberán evaluarse en la segunda oportunidad.

La calificación final de la materia será la media aritmética ponderada por los porcentajes antes indicados de las partes teórica y práctica. En caso de incurrir en alguna de las situaciones indicadas anteriormente por no alcanzarse en una o más partes la nota mínima necesaria para superar globalmente la materia, la calificación final de la oportunidad será el mínimo de las calificaciones obtenidas en dichas partes.

Obtendrán la calificación de no presentado los/las estudiantes que no se hayan presentado al examen ni se hayan sometido a la evaluación de ninguna otra actividad obligatoria.

Para superar la asignatura en la segunda oportunidad, el alumnado deberá someterse a la evaluación de todas aquellas partes obligatorias pendientes, de acuerdo con lo anteriormente especificado. Para el resto se conservarán las calificaciones obtenidas durante el curso.

En el caso de realización fraudulenta de ejercicios o pruebas, será de aplicación lo recogido en la normativa de evaluación del rendimiento académico de los estudiantes y de revisión de las calificaciones (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…). En aplicación de la normativa de la ETSE sobre plagio (aprobada por la Xunta da ETSE el 19/12/2019), la copia total o parcial de algún ejercicio de prácticas o teoría supondrá el suspenso de las dos oportunidades del curso, con la calificación de 0,0 en ambos casos (https://www.usc.es/etse/files/u1/NormativaPlagioETSE2019.pdf).

Tiempo de trabajo presencial: 51 horas totales, divididas en 30h (clases magistrales), 20h (seminarios y prácticas), 1h (tutorías).
Tiempo de trabajo personal: 99h (total), divididas en 39h (estudio autónomo de teoría y prácticas) y 60h (trabajos, proyectos y otras actividades).

Se recomienda que los/las estudiantes resuelvan, implementen, verifiquen y validen todos los ejercicios y prácticas propuestos (no solamente los evaluables). Igualmente se considera importante hacer un uso intenso de las tutorías para la resolución de dudas.

Se recomienda haber superado las asignaturas “Algoritmos,” “Fundamentos de aprendizaje automático”, “Representación del conocimiento y razonamiento“ y “Algoritmos Básicos de la Inteligencia Artificial”.

La materia se impartirá en castellano y gallego, pero tanto en la bibliografía como en los apuntes pude haber parte de contenidos en inglés.