Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
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.
Tema 1. Razoamento Borroso
1.1 Cuantificadores
1.2 Computación con palabras e percepcions
Tema 2. Razoamento Probabilístico
2.1 Modelos gráficos
2.2 Redes bayesianas
2.3 Inferencia exacta e aproximada en modelos gráficos
2.4 Aprendizaxe de modelos probabilísticos
Tema 3. Razoamento Temporal
3.1 Modelos borrosos
3.2 Modelos de Markov
3.3 Filtros de Kalman
3.4 Modelos secuenciais
Tema 4. Toma de Decisiones
4.1 Teoría da decisión
4.2 Redes de decisión
4.3 Decisiones Complejas
4.4 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.
- Unsupervised learning and inference of Hidden Markov Models in Python (HMMLEARN), https://hmmlearn.readthedocs.io/en/latest/
- Roger R. Labbe Jr, Kalman and Bayesian Filters in Python [Chapters 4 - 8], 2020, https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python
- E. Trillas, L. Eciolaza, Fuzzy Logic. An Introductory Course for Engineering Students, Springer, 2015, ISBN: 978-3-319-14203-6, https://link.springer.com/book/10.1007/978-3-319-14203-6
- 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... ), co obxectivo de facilitar a aprendizaxe.
Algunhas destas actividades serán avaliables e polo tanto terán carácter de realización obrigatoria segundo se indica no sistema de avaliación da aprendizaxe.
O estudantado 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 estudantado 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 (60%): 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 (40%) : avaliación de todas as actividades prácticas obrigatorias propostas polos docentes, de acordo coa seguinte planificación:
-P1: Razonamento borroso (entrega tras a sesión interactiva 1; peso 10% da parte práctica)
-P2: Razonamento probabilístico (entrega tras as sesións interactivas 5 e 6; peso 40% da parte práctica)
-P3: Razonamento temporal (entrega tras as sesións interactivas 7 e 9; peso 40% da parte práctica)
-P4: Redes de decisión (entrega tras a sesión interactiva 10; peso 40% da parte práctica)
A avaliación dos entregables pode incluír a realización dun cuestionario de autoavaliación e/ou unha sesión de presentación e discusión presencial do mesmo.
Estas actividades de avaliación serán obrigatorias e poderán realizarse en clase interactiva, polo que, para efectos do establecido no Art.1 do Regulamento de asistencia a clase nas ensinanzas oficiais de grao e máster da Universidade de Santiago de Compostela (25/11/2024) ”, a asistencia ás sesións onde se programen estas actividades será obrigatoria, sendo un requisito a realización das mesmas que, de non cumprirse, suporá a cualificación de 0,0 no entregable correspondente.
Agás a indicada neste apartado, a asistencia a clase non terá outra valoración no sistema de avaliación, aínda que a asistencia ás diferentes actividades docentes axuda a mellorar a comprensión da materia e á adquisición das competencias.
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, salvo que nalgún ítem de avaliación non se alcancen os limiares mínimos establecidos.
En caso de 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 devanditas 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.
Os estudantes repetidores deberán seguir o mesmo sistema de avaliación que o resto dos estudantes.
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 non cursar a materia sen superar previamente as materias Programación I, Cálculo e Análise Numérico, Programación II, Estatística, Optimización Matem, “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.
Alberto Jose Bugarin Diz
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816440
- Correo electrónico
- alberto.bugarin.diz [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade
Jose Maria Alonso Moral
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816432
- Correo electrónico
- josemaria.alonso.moral [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
Ainhoa Vivel Couso
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- ainhoa.vivel.couso [at] usc.es
- Categoría
- Predoutoral Xunta
Martes | |||
---|---|---|---|
09:00-10:00 | Grupo /CLE_01 | Castelán | IA.01 |
Mércores | |||
09:00-10:00 | Grupo /CLE_01 | Castelán | IA.01 |
Xoves | |||
09:00-10:00 | Grupo /CLE_01 | Castelán | IA.01 |
Venres | |||
10:00-12:00 | Grupo /CLIL_02 | Castelán | IA.02 |
26.05.2026 16:00-20:00 | Grupo /CLE_01 | IA.01 |
26.05.2026 16:00-20:00 | Grupo /CLIL_01 | IA.01 |
26.05.2026 16:00-20:00 | Grupo /CLIL_02 | IA.01 |
26.05.2026 16:00-20:00 | Grupo /CLE_01 | IA.02 |
26.05.2026 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
26.05.2026 16:00-20:00 | Grupo /CLIL_02 | IA.02 |
03.07.2026 16:00-20:30 | Grupo /CLIL_01 | IA.01 |
03.07.2026 16:00-20:30 | Grupo /CLIL_02 | IA.01 |
03.07.2026 16:00-20:30 | Grupo /CLE_01 | IA.01 |