Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
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
Conocer y saber aplicar las principales estrategias de la inteligencia artificial para la resolución de problemas de búsqueda en diferentes escenarios (búsqueda informada, no informada y con adversario), satisfacción de restricciones y planificación.
Una vez superada la asignatura el/la estudiante:
- Sabrá aplicar e implementar métodos de búsqueda con estrategias informada y no informada en problemas representados en espacios de estados.
- Sabrá resolver problemas de búsqueda con adversario
- Podrá resolver problemas de búsqueda y optimización con restricciones.
- Conocerá diferentes algoritmos de resolución de problemas basadas en la búsqueda en un espacio de posibles configuraciones
- Conocerá y sabrá modelar y resolver problemas básicos de planificación o scheduling.
T1: Perspectiva histórica de la IA
T2: Resolución de problemas mediante búsqueda en espacios de estados
T3: Estrategias de búsqueda no informada e informada
T4: Problemas de satisfacción de restricciones
T5: Búsqueda con adversario y juegos
T6: Planificación automática
Bibliografía básica:
1. J. Palma, R. Marín (eds.). Inteligencia Artificial. Métodos, técnicas y aplicaciones. McGrawHill. (2008). ISBN: 9788448156183
2. Fernández Galán, S., González Boticario, J., Mira Mira, J. Problemas Resueltos de Inteligencia Artificial Aplicada. Búsqueda y Representación. Addison Wesley. (1998). ISBN: 9788478290178
3. Russell, S., Norvig, P. Artificial Intelligence (A Modern Approach), (4th Edition Global Edition, 2022). ISBN: 9781292401133. (2ª edición también en español).
4. Handbook of Artificial Intelligence. Springer-Verlag, 2015. ISBN 978-3-662-43505-2.
Bibliografía Complementaria
5. Rossi, Van Beek, Walsh (2006) Handbook of Constraint Programming, Elsevier.
6. Joseph Y-T. Leung (2004) Handbook of Scheduling: Algorithms, Models, and Performance Analysis, Chapman and Hall/CRC.
7. Inteligencia artificial para desarrolladores. Virginie Mathivet. ENI Ediciones, 2015.
8. Curso de Inteligencia Artificial. Fernando Sancho Caparrini. http://www.cs.us.es/~fsancho
Contribuír a alcanzar las competencias recogidas en la memoria del título de Grado en Inteligencia Artificial, especialmente:
BÁSICAS Y 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.
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean 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 los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
TRANSVERSALES
TR1 - Capacidad para comunicar y transmitir sus conocimientos, habilidades y destrezas.
TR3 - Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.
TR5 - Capacidad para desarrollar modelos, técnicas y soluciones basadas en inteligencia artificial que resulten éticas, no discriminatorias y confiables.
ESPECÍFICAS
CE12 - Conocer los fundamentos de los algortimos y modelos de la inteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos
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 CG3, CG4, CG5, CE12. 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 ante el/la profesor/a para su evaluación, para lo que se indicarán los plazos de entrega/presentación a través de los cauces utilizados para la comunicación estudiante-profesor. Las prácticas y parte de las sesiones interactivas se desarrollarán en el Aula de Informática de la Escuela, empleando diversas herramientas software para cada uno de los bloques temáticos. Estas actividades permitirán desarrollar las competencias CG5, CB2, CB4, TR1-3, CE12.
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 (40%), como la práctica (50%) y otras actividades (10%). 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 en las sesiones interactivas. La calificación de esta parte será la media de las calificaciones de las prácticas, con la ponderación que se fije en la presentación de la asignatura, siempre que en todas ellas se obtenga una calificación igual o superior a 3. En ese caso, la calificación global debe ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. Aquellas prácticas con una calificación inferior a 3 puntos deberán evaluarse en la segunda oportunidad.
- Otras Actividades: evaluación de otras actividades obligatorias propuestas (entrega de trabajos o ejercicios, presentaciones y participación en el aula, asistencia a charlas y participación en visitas técnicas,...). La calificación global de esta parte será la media de las calificaciones de las actividades propuestas, con la ponderación que se especifique en la presentación de la materia, y siempre que en todas ellas se tenga una calificación igual o superior a 3. En ese caso, la calificación global debe ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la asignatura. Aquellas actividades con cualificación 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, práctica y otras actividades. 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 estudantes 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 20h (clases magistrales), 30h (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 “Optimización matemática”, “Programación I”, “Programación II” y “Algoritmos”.
La asignatura se impartirá en castellano y gallego, pero tanto en la bibliografía, referencias y apuntes podrá haber contenidos en lengua inglesa.
Alberto Jose Bugarin Diz
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881816440
- Correo electrónico
- alberto.bugarin.diz [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidad
Alejandro Catala Bolos
- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- alejandro.catala [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
| Jueves | |||
|---|---|---|---|
| 16:30-17:30 | Grupo /CLE_01 | Castellano | IA.11 |
| 17:30-20:00 | Grupo /CLIL_01 | Castellano | IA.11 |
| Viernes | |||
| 15:30-18:00 | Grupo /CLIL_02 | - | IA.14 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_03 | IA.01 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.01 |
| 28.05.2025 09:00-14:00 | Grupo /CLE_01 | IA.01 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_02 | IA.01 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_03 | IA.11 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.11 |
| 28.05.2025 09:00-14:00 | Grupo /CLE_01 | IA.11 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_02 | IA.11 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_03 | IA.12 |
| 28.05.2025 09:00-14:00 | Grupo /CLE_01 | IA.12 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.12 |
| 28.05.2025 09:00-14:00 | Grupo /CLIL_02 | IA.12 |
| 04.07.2025 09:00-14:00 | Grupo /CLIL_02 | IA.11 |
| 04.07.2025 09:00-14:00 | Grupo /CLIL_03 | IA.11 |
| 04.07.2025 09:00-14:00 | Grupo /CLE_01 | IA.11 |
| 04.07.2025 09:00-14:00 | Grupo /CLIL_01 | IA.11 |