Conocimiento y Razonamiento con Incertidumbre

La materia aborda algunos de los paradigmas formales más importantes para el modelado del conocimiento con incertidumbre y el razonamiento sobre este tipo de modelos. Se tratarán, en primer lugar, modelos de representación gráfica, que permiten simplificar el análisis de cualquier modelo probabilístico. Se realizará una introducción a la teoría y las redes de decisión, que, combinada con la teoría de la probabilidad, permite escoger la alternativa óptima a partir de la información disponible, ya sea ésta incompleta o ambigua. Por último, se tratará el paradigma borroso como base para el modelado de vocabularios imprecisos y la computación con palabras, y la ejecución de diferentes tipos de razonamiento aproximado.

Resultados de aprendizaje: conocer los principales modelos de razonamiento impreciso para valorar su adecuación a la resolución de problemas en el ámbito de la Inteligencia Artificial.

1. Modelos gráficos.
2. Redes bayesianas.
3. Inferencia exacta y aproximada en modelos gráficos.
4. Teoría de la Utilidad.
5. Redes de decisión.
6. Computación con palabras y modelos borrosos de razonamiento.

BIBLIOGRAFÍA BÁSICA
- Russell, S., Norvig, P. Artificial Intelligence (A Modern Approach), (4th Edition Global Edition, 2022).
- R. Marín, J.T. Palma (Eds.) Inteligencia Artificial y Sistemas Inteligentes. Ed. McGraw-Hill, 2008.
- 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.
- E. Trillas, L. Eciolaza, Fuzzy Logic: An Introductory Course for Engineering Students, Springer 2015.
- M. J. Kochenderfer, T. A. Wheeler, K. H. Wray. Algorithms for Decision Making, MIT Press, 2022.

BIBLIOGRAFÍA COMPLEMENTARIA
- J.M. Mendel, Fuzzy logic systems for engineering: a tutorial. Proceedings of the IEEE, 83, 3, 345-377, 1995.
- 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

La asignatura contribuye al desarrollo de las siguientes competencias generales y específicas recogidas en la memoria del título:

BÁSICAS Y GENERALES
CG1 - Mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo de la Inteligencia Artificial.
CG3 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

TRANSVERSALES
CT2 - Dominar la expresión y la comprensión de forma oral y escrita de un idioma extranjero.

ESPECÍFICAS
CE5 - Capacidad para diseñar y desarrollar sistemas inteligentes mediante la aplicación de algoritmos de inferencia, representación del conocimiento y planificación automática.

La metodología docente usa el Campus Virtual de las tres universidades como plataforma básica (repositorio de contenidos y tutorización virtual del alumnado). En el aula virtual de la materia, el alumnado tendrá toda la información (material teórico, diapositivas de clase, guiones de prácticas, etc.). La metodología didáctica se basará esencialmente en el trabajo individual, aunque en ocasiones se desarrollará en grupos, principalmente en la discusión con el profesorado en clases expositivas e interactivas.

Sesións expositivas (presencial para a USC, retransmitida para el alumnado de la UdC y UVIGO): para cada tema o bloque temático de las clases expositivas, el profesorado preparará los contenidos, explicará los objetivos del tema al alumnado en clase, les sugerirá recursos bibliográficos y proporcionará material de trabajo adicional, principalmente ejercicios relacionados con los conceptos teóricos. Además, el profesorado propondrá al alumnado un conjunto de actividades a realizar, de forma individual o en grupo (casos, ejercicios) que el alumnado deberá entregar para su evaluación, de acuerdo con los plazos de entrega previstos.
Las sesiones interactivas se desarrollarán en Aula de Informática en grupo presencial, empleando diversas herramientas software y desarrollando aplicaciones para cada uno de los bloques temáticos.
El alumnado trabajará de forma individual o en grupos reducidos, con el seguimiento y tutorización constante del profesorado. Se facilitarán guiones de prácticas con las tareas a realizar de modo individual o en grupos reducidos.

La evaluación del aprendizaje considera tanto la parte teórica como la práctica. Para superar la materia ha de conseguirse una nota global igual o superior a 5, sobre una puntuación máxima de 10 puntos en las actividades de evaluación previstas, cuyo peso en la evaluación final estará dentro de los rangos incluidos en la memoria del título:
E1: Examen final 50%
E2: Evaluación de trabajos prácticos 50%

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 o entregas obligatorias pendientes que se establezcan. 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 del alumnado 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: 21 horas totales, divididas en 10h (Clases de teoría), 7h (Clases prácticas de laboratorio), 4h (Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos).
Tiempo de trabajo personal: 54h (total).

Se recomienda que el alumnado resuelva, implemente, verifique y valide 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 y una participación activa en las sesiones expositivas e interactivas.

La docencia de esta asignatura será en inglés.
Toda la docencia expositiva será impartida por la USC, presencial para el alumnado de la USC y retransmitida para todo el alumnado de la UdC y UVIGO.
Habrá un grupo de docencia interactiva específico presencial en la USC.