Razoamento con incertidume

A materia aborda algúns dos paradigmas formais máis importantes para o tratamento e a cuantificación da incerteza no razoamento.
Trataranse métodos de representación gráfica que permiten simplificar a análise de calquera modelo probabilístico.
A introdución posterior da teoría da decisión, en combinación coa teoría da probabilidade, permite escoller a alternativa óptima a partir da información dispoñible, xa sexa esta incompleta ou ambigua. A materia mostra a súa aplicabilidade con múltiples exemplos da ciencia e a enxeñaría.

1. Modelos gráficos.
2. Redes bayesianas.
3. Inferencia exacta e aproximada en modelos gráficos.
4. Modelos secuenciais.
5. Modelos de Markov.
6. Filtros de Kalman.
7. Teoría da decisión.
8. Redes de decisión.
9. Teoría de xogos.

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 e XERAIS
- [CB4] Que o alumnado poida transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado.
- [CG2] Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade.
- [CG4] Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, ou para desenvolver e propor novos métodos baseados en intelixencia artificial.

ESPECÍFICAS
- [CE13] Capacidade para modelar e deseñar sistemas baseados en representación do coñecemento e razoamento lóxico ou aproximado e aplicalas a diferentes dominios e problemas, tamén en contextos de incerteza.

TRANSVERSAIS
- [TR2] Capacidade de traballo en equipo, en contornas interdisciplinares e xestionando conflitos.
- [TR3] Capacidade para crear novos modelos e solucións de forma autónoma e creativa, adaptándose a novas situacións.
Iniciativa e espírito emprendedor.

Resultados da Aprendizaxe
- Coñecer os paradigmas formais máis importantes para o tratamento e a cuantificación da incerteza no razoamento.
-Saber aplicar os modelos gráficos e as redes bayesianas, coñecendo a inferencia exacta e aproximada.
-Coñecer os modelos de probabilísticos á hora de resolver problemas nos que existe incerteza.
-Coñecer a teoría da decisión e a teoría de xogos na resolución de problemas.

A metodoloxía didáctica basearase no traballo individual- aínda que en ocasións se desenvolva en grupos -, na discusión co/coa profesor/a en clase e nas titorías individuais.

Para cada tema ou bloque temático das clases expositivas, o/a profesor/a preparará os contidos, explicará os obxectivos do tema ao alumnado en clase, suxeriralles bibliografía, proporcionaralles material de traballo adicional, etc.
Nas clases expositivas traballaranse as competencias CB4, CG2, CG4 e CE13.
Ademais, os/as profesores/as proporán ao alumnado un conxunto de actividades a realizar, de forma individual ou en grupo (traballos, presentacións, lecturas, prácticas... ).
O alumnado deberá en xeral presentalas para a súa avaliación, para o que se indicarán os prazos de entrega/presentación a través das canles que se establezan.
Estas actividades permitirán desenvolver as competencias anteriores e adicionalmente as TR2 e TR3.

O alumnado traballará de forma individual ou en grupos reducidos, co apoio constante do profesorado.
Disporase de guións de seminarios, prácticas e outras actividades a realizar de modo individual ou en grupos reducidos.
A docencia estará apoiada pola plataforma USC virtual do seguinte xeito: repositorio da documentación relacionada coa materia (textos, presentacións, lecturas recomendadas... ) e titorización virtual dos estudantes (correo-e, foros).

A avaliación da aprendizaxe considera tanto a parte teórica (60%) , como a práctica (40%).
Para superar a materia ha de conseguirse unha nota global igual ou superior a 5, sobre unha puntuación máxima de 10 puntos, de acordo cos seguintes criterios:

-Parte teórica: avaliarase nun único exame a realizar na data oficial.
A cualificación do exame debe ser igual ou superior a 4 sobre unha puntuación máxima de 10 puntos, para que poida aprobarse o conxunto da materia.
Noutro caso deberá repetirse na oportunidade de recuperación.

-Parte práctica: avaliación de todas as actividades prácticas propostas polos docentes (entrega de traballos, presentacións na aula, entrega de exercicios, realización de prácticas).
Todas as prácticas terán o mesmo peso na cualificación desta parte.
A cualificación desta parte ha de ser igual ou superior a 4 sobre unha puntuación máxima de 10 puntos, para que poida aprobarse o conxunto da materia. Aquelas entregas cunha cualificación inferior a 3 puntos deberán avaliarse na segunda oportunidade.

A cualificación final da materia será a media aritmética ponderada polas porcentaxes antes indicadas das partes teórica e práctica.
En caso de incorrer nalgunha das situacións indicadas anteriormente por non alcanzarse nunha ou máis partes a nota mínima necesaria para superar globalmente a materia, a cualificación final da oportunidade será o mínimo das cualificacións obtidas nas ditas partes.

Obterán a cualificación de non presentados os/as estudantes que non se presentasen ao exame nin se someteron á avaliación de ningunha outra actividade obrigatoria.
Para superar a materia na segunda oportunidade, o alumnado deberá someterse á avaliación de todas aquelas partes obrigatorias pendentes, de acordo co anteriormente especificado.
Para o resto conservaranse as cualificacións obtidas durante o curso.

No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recollido na normativa de avaliación do rendemento académico dos estudantes e de revisión das cualificacións (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…).
En aplicación da normativa da ETSE sobre plaxio (aprobada pola Xunta da ETSE o 19/12/2019) , a copia total ou parcial dalgún exercicio de prácticas ou teoría suporá o suspenso das dúas oportunidades do curso, coa cualificación de 0,0 en ambos os casos (https://www.usc.es/etse/files / u1/Normativa PlagioETSE2019.pdf).

Tempo de traballo presencial: 51 horas totais, divididas en 30h (clases maxistrais), 20h (seminarios e prácticas) , 1h (titorías).
Tempo de traballo persoal: 99h (total) , divididas en 39h (estudo autónomo de teoría e prácticas) e 60h (traballos, proxectos e outras actividades).

Recoméndase que os/as estudantes resolvan, implementen, verifiquen e validen todos os exercicios e prácticas propostos (non soamente os avaliables).
Igualmente considérase importante facer un uso intenso das titorías para a resolución de dúbidas.

Recoméndase ter superado as materias “Algoritmos, ” “Fundamentos de aprendizaxe automática” , “Representación do coñecemento e razoamento “e “Algoritmos Básicos da Intelixencia Artificial”.

A materia impartirase en castelán e galego, pero tanto na bibliografía como nos apuntes pode haber parte do contido en inglés.