Coñecemento e Razoamento con Incerteza

A materia aborda algúns dos paradigmas formais máis importantes para o modelado do coñecemento con incerteza e o razoamento sobre este tipo de modelos. Trataranse, en primeiro lugar, modelos de representación gráfica, que permiten simplificar a análise de calquera modelo probabilístico. Realizarase unha introdución á teoría e as redes de decisión, que, combinada coa teoría da probabilidade, permite escoller a alternativa óptima a partir da información dispoñible, xa sexa esta incompleta ou ambigua. Por último, tratarase o paradigma borroso como base para o modelado de vocabularios imprecisos e a computación con palabras, e a execución de diferentes tipos de razoamento aproximado.
Resultados de aprendizaxe:
Coñecer os principais modelos de razoamento impreciso para valorar a súa adecuación á resolución de problemas no ámbito da Intelixencia Artificial.

1. Modelos gráficos.
2. Redes bayesianas.
3. Inferencia exacta e aproximada en modelos gráficos.
4. Teoría da Utilidade.
5. Redes de decisión.
6. Computación con palabras e modelos borrosos de razoamento

Bibliografía Básica
- S. Russell, P. Norvig. Artificial Intelligence. A Modern Approach. 4th ed. Pearson, 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

A materia contribúe ao desenvolvemento das seguintes competencias xerais e específicas recollidas na memoria do título:

BÁSICAS E XERAIS
CG1 - Manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo da Intelixencia Artificial.
CG3 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo.
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo

TRANSVERSAIS
CT2 - Dominar a expresión e a comprensión de forma oral e escrita dun idioma estranxeiro.

ESPECÍFICAS
CE5 - Capacidade para deseñar e desenvolver sistemas intelixentes mediante a aplicación de algoritmos de inferencia, representación do coñecemento e planificación automática.

A metodoloxía empregada usa o Campus Virtual das tres universidades como plataforma básica (repositorio de contidos e titorización virtual do estudantado). Na aula virtual da materia, o alumnado terá toda a información (material teórico, diapositivas de clase, guións de prácticas, etc.). A metodoloxía didáctica basearase esencialmente no traballo individual, aínda que en ocasións desenvolverase en grupos, principalmente na discusión co profesorado en clases expositivas e interactivas.

Sesións expositivas (presencial para a USC, retransmitida para o alumnado da UdC e UVIGO): para cada tema ou bloque temático das clases expositivas, o profesorado preparará os contidos, explicará os obxectivos do tema ao alumnado en clase, suxeriralles recursos bibliográficos e proporcionará material de traballo adicional, principalmente exercicios relacionados cos conceptos teóricos. Ademais, o profesorado propoñerá ao alumnado un conxunto de actividades a realizar, de forma individual ou en grupo (casos, exercicios) que o alumnado deberá entregar para a súa avaliación, de acordo cos prazos de entrega previstos.
As sesións interactivas desenvolveranse en Aula de Informática en grupo presencial, empregando diversas ferramentas software e desenvolvendo aplicacións para cada un dos bloques temáticos. O alumnado traballará de forma individual ou en grupos reducidos, co seguimento e titorización constante do profesorado. Facilitaranse guións de prácticas coas tarefas para realizar de modo individual ou en grupos reducidos.

A avaliación da aprendizaxe considera tanto a parte teórica como a práctica. Para superar a materia ha de conseguirse unha nota global igual ou superior a 5, sobre unha puntuación máxima de 10 puntos nas actividades de avaliación previstas, cuxo peso na avaliación final estará dentro dos rangos incluídos na memoria do título:
E1: Exame final 50%
E2: Avaliación de traballos prácticos 50%

Obterán a cualificación de non presentado os/as estudantes que non se presentaron 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 ou entregas obrigatorias pendentes que se establezan. Para o resto conservaranse as cualificacións obtidas durante o curso.
No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recolleito na normativa de avaliación do rendemento académico do alumnado e de revisión das cualificacións ( https://www.xunta.gal/dog/publicados/2011/20110721/ AnuncioG2018-190711-4180_ gl.html). En aplicación da normativa da ETSE sobre plaxio (aprobada pola Xunta dá ETSE o 19/12/2019), a copia total ou parcial dalgún exercicio de prácticas ou teoría supoñerá o suspenso das dúas oportunidades do curso, coa cualificación de 0,0 en ambos os casos ( https://www.usc.es/etse/files/u1/ NormativaPlagioETSE2019.pdf).

Tempo de traballo presencial: 21 horas totais, divididas en 10 h (Clases de teoría), 7 h (Clases prácticas de laboratorio), 4 h (Aprendizaxe baseada en problemas, seminarios, estudo de casos e proxectos).
Tempo de traballo persoal: 54 h (total).

Recoméndase que o alumnado resolva, implemente, verifique e valide todos os exercicios e prácticas propostos (non soamente os avaliables). Igualmente considérase importante facer un uso intenso das titorías para a resolución de dúbidas e unha participación activa nas sesións expositivas e interactivas.

A docencia desta materia será en inglés.
Toda a docencia expositiva será impartida pola USC, presencial para o estudantado da USC e retransmitida para todo o alumnado da UdC e UVIGO.
Haberá un grupo de docencia interactiva específico presencial na USC.