Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 10 Clase Interactiva: 15 Total: 26
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
Esta asignatura tiene como objetivo proporcionar a los estudiantes los conocimientos y habilidades necesarios para trabajar con tecnologías de la web semántica y grafos de conocimiento. A lo largo del curso, se estudiarán los principales estándares del W3C como RDF, RDFS, SPARQL, OWL, [R2]RML y SHACL, que permiten la representación, el intercambio y la validación de grafos de conocimiento. Los estudiantes aprenderán a crear, enriquecer y validar grafos de conocimiento, herramientas esenciales en la integración y análisis de grandes volúmenes de datos heterogéneos. Además, se explorarán sistemas de Inteligencia Artificial híbridos basados en grafos de conocimiento, como los sistemas de pregunta-respuesta o asistentes de voz, los (grandes) modelos de lenguaje, y otros enfoques neuro-simbólicos. La asignatura también abordará casos de uso prácticos, desde los espacios de datos Europeos hasta ejemplos reales en diferentes industrias, donde los grafos de conocimiento desempeñan un papel clave en la interoperabilidad y la integración de datos a gran escala.
1. Introducción la Web Semántica y los grafos de conocimiento
2. Metodologías para el desarrollo de grafos de conocimiento
3. Inteligencia artificial neuro-simbólica basada en grafos de conocimiento
4. Aplicaciones y casos de uso: Los espacios de datos
Bibliografía básica:
Gómez-Pérez, A., Fernández-López, M., & Corcho, O. (2006). Ontological Engineering: with examples from the areas of Knowledge Management, e-Commerce and the Semantic Web. Springer Science & Business Media.
Hogan, A., Blomqvist, E., Cochez, M., d’Amato, C., Melo, G. D., Gutierrez, C., ... & Zimmermann, A. (2021). Knowledge graphs. ACM Computing Surveys (Csur), 54(4), 1-37.
Hendler, J., Lassila, O., & Berners-Lee, T. (2001). The semantic web. Scientific American, 284(5), 34-43.
Bibliografía complementaria:
Hitzler, P., Eberhart, A., Ebrahimi, M., Sarker, M. K., & Zhou, L. (2022). Neuro-symbolic approaches in artificial intelligence. National Science Review, 9(6), nwac035.
Poveda-Villalón, M., Fernández-Izquierdo, A., Fernández-López, M., & García-Castro, R. (2022). LOT: An industrial oriented ontology engineering framework. Engineering Applications of Artificial Intelligence, 111, 104755.
BÁSICAS
[CB2] Que el alumnado sepa aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posea las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
[CB4] Que el alumnado pueda transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
[CB5] Que el alumnado haya desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
[CG2] Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad.
GENERALES
[CG3] Capacidad para diseñar y crear modelos y soluciones de calidad basadas en Inteligencia Artificial que sean eficientes, robustas, transparentes y responsables.
[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.
[CG5] Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial.
ESPECÍFICAS
[CE13] Capacidad de 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.
[CE14] Conocer las tecnologías semánticas para el almacenamiento y acceso de grafos de conocimiento y su uso en la resolución de los problemas.
TRANSVERSALES
[TR3] Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.
Se utilizarán las siguientes metodologías docentes: Sesiones expositivas (SE) y Sesiones interactivas (SI). Las SE serán clases magistrales en las que se impartirán conceptos teóricos. Las SI serán sesiones donde se pondrá en práctica los conceptos explicados en la parte teórica a través de ejemplos y casos de uso reales.
La evaluación de la materia tendrá lugar de dos maneras diferentes, aunque complementarias, que pretenden evaluar la competencia en la realización práctica de sistemas basados en conocimiento y ontologías. Por otra parte, se distinguirá entre la evaluación de la oportunidad común y la de recuperación:
OPORTUNIDAD ORDINARIA
(1) Prueba final en el que se demostrará el dominio de los aspectos teóricos y prácticos de la asignatura. Esta parte representará el 30% de la nota final de la materia.
(2) Realización de un conjunto de ejercicios en los que se demostrará de manera práctica el dominio en el desarrollo de los sistemas basados en grafos de conocimiento, así como de los métodos de inteligencia artificial híbrida. Esta parte constituirá el 70% de la nota final de la materia.
Si se entrega algunos de los ejercicios propuestos se considerará como presentado en la materia. Por último, la copia parcial o total de uno o más ejercicios significará el suspenso de toda la materia.
OPORTUNIDAD DE RECUPERACIÓN
Los criterios de evaluación de las partes de teoría y práctica en la oportunidad de recuperación serán exactamente los mismos que para la oportunidad ordinaria.
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 estudantes y de revisión de calificaciones. 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 en las dos oportunidades del curso, con la calificación de 0,0 en ambos casos.
Trabajo en clase:
- Clases teóricas: 10 horas
- Clases prácticas: 15 horas
- Tutorización individual: 1 hora
Total de horas de trabajo en el aula: 26 horas
Trabajo personal de los estudiantes (estudio, realización de ejercicios, prácticas, proyectos) y otras actividades (evaluación): 49
Total de horas de trabajo: 75 horas
-
Se utilizará el campus virtual de la USC y la plataforma Github para toda la docencia, publicación de material, guiones de prácticas y entregas de trabajos.
David Chaves Fraga
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881815525
- Correo electrónico
- david.chaves [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
| Jueves | |||
|---|---|---|---|
| 15:30-17:00 | Grupo /CLIL_01 | Castellano | IA.03 |
| 28.05.2026 16:00-20:00 | Grupo /CLE_01 | IA.01 |
| 28.05.2026 16:00-20:00 | Grupo /CLIL_01 | IA.01 |
| 07.07.2026 16:00-20:30 | Grupo /CLIL_01 | IA.11 |
| 07.07.2026 16:00-20:30 | Grupo /CLE_01 | IA.11 |