PROYECTO DOCENTE ASIGNATURA: "Inteligencia Artificial II"

(1)

Grupo: Grupo de CLASES TEORICAS de INTELIGENCIA ARTIFICI.(865602) ASIGNATURA:

"Inteligencia Artificial II"

DATOS BÁSICOS DE LA ASIGNATURA/GRUPO

Titulación:

Asignatura:

Código:

Curso:

Año del plan de estudio:

Tipo:

Ciclo:

Período de impartición:

Departamento:

Área:

Dirección postal:

Centro:

Dirección electrónica:

Horas totales (ECTS):

Créditos LRU teóricos: Créditos LRU prácticos:

Horas presenciales (ECTS): Horas no presenciales (ECTS):

Créditos totales (LRU):

Créditos totales (ECTS):

67.5 4.5

2º

C/ TARFIA, S/N 41012 Segundo Cuatrimestre

INGENIERO EN INFORMÁTICA ( Plan 97 )

Inteligencia Artificial II

45.0

http://www.cs.us.es

Escuela Técnica Superior de Ingeniería Informática

112.5

Ciencias de la Computación e Inteligencia Artificial CIENCIAS DE LA COMP. E INTEL. ARTIF.

4.5

1.5 1997

4º

3.0

Troncal/Formación básica 260108

Grupo de CLASES TEORICAS de INTELIGENCIA ARTIFICI. (3) Grupo:

PROFESORADO

RUIZ REINA, JOSÉ LUIS (COORDINADOR/A) 1

Titulacion: INGENIERO EN INFORMÁTICA ( Plan 97 ) Curso: 2009 - 2010

PROYECTO DOCENTE

(2)

OBJETIVOS Y COMPETENCIAS

Competencias transversales/genéricas Objetivos docentes específicos

Conocer técnicas y formalismos básicos de representación del conocimiento y razonamiento en Inteligencia Artificial, de aprendizaje automático, y de procesamiento de lenguaje natural, tanto sus fundamentos teóricos como su aplicación práctica.

Competencias

Capacidad de análisis y síntesis (Se entrena de forma moderada) Capacidad de organizar y planificar (Se entrena de forma moderada) Comunicación oral en la lengua nativa (Se entrena de forma moderada) Comunicación escrita en la lengua nativa (Se entrena de forma moderada) Conocimiento de una segunda lengua (Se entrena de forma moderada) Habilidades elementales en informática (Se entrena de forma moderada) Resolución de problemas (Se entrena de forma moderada)

Toma de decisiones (Se entrena de forma moderada)

Capacidad de crítica y autocrítica (Se entrena de forma moderada) Trabajo en equipo (Se entrena de forma moderada)

Habilidades para trabajar en grupo (Se entrena de forma moderada)

Capacidad para aplicar la teoría a la práctica (Se entrena de forma moderada) Capacidad de aprender (Se entrena de forma moderada)

Habilidad para trabajar de forma autónoma (Se entrena de forma moderada) Competencias específicas

- Saber representar el conocimiento mediante el formalismo adecuado en cada caso.

- Conocer los mecanismos de razonamiento en cada uno de los formalismos anteriores de representación del conocimiento.

- Reconocer cuándo un problema puede resolverse mediante aprendizaje automático y conocer distintos paradigmas y técnicas dentro de ese campo.

- Modelar y adaptar al formalismo correspondiente un problema básico de aprendizaje, sabiendo reconocer en cada caso las ténicas adecuadas, sabiendo aplicarlas a la resolución de problemas concretos

- Implementar en algún lenguaje de programación algoritmos básicos de aprendizaje automático.

- Conocer herramientas y algoritmos para el procesamiento del lenguaje natural, y comprender modelos y algoritmos básicos de tratamiento probabilístico de grandes corpus textuales.

CONTENIDOS DE LA ASIGNATURA

- Representación del conocimiento.

- Aprendizaje automático.

- Procesamiento de lenguaje natural.

Bloque 1: Representación del conocimiento y razonamiento basado en reglas Tema 1: Representación del conocimiento y razonamiento basado en reglas

Reglas proposicionales. Razonamiento hacia adelante y hacia atrás con reglas proposicionales. Reglas de primer orden. SLD-resolución.

Sistemas de producción. Introducción al lenguaje de programación CLIPS.

Bloque 2: Aprendizaje automático a partir de observaciones Tema 2: Aprendizaje inductivo: árboles y reglas de decisión

Introducción al aprendizaje inductivo. Sesgo inductivo. Aprendizaje de árboles de decisión: los algoritmos ID3 y C4.5. Aprendizaje de reglas por cobertura. Programación lógica indictiva con el algoritmo FOIL.

Bloque 3: Representación y razonamiento con conocimiento incierto Tema 3: Representación y razonamiento con conocimiento incierto

Conocimiento incierto. El cálculo de probabilidades. El teorema de Bayes. Inferencia probabilística. Redes bayesianas. Inferencia exacta con redes bayesianas. Inferencia aproximada con redes bayesianas.

Bloque 4: Métodos estadísticos de aprendizaje Tema 4: Aprendizaje bayesiano

Aprendizaje bayesiano, MAP y ML. Clasificadores bayesianos. Aprendizaje parámetrico de redes bayesianas. El algoritmo EM. Clustering Tema 5: Redes Neuronales

Perceptrones. Aprendizaje con perceptrones. Redes multicapa. El algoritmo de retropropagación.

Bloque 5: Procesamiento de lenguaje natural Tema 6: Procesamiento de lenguaje natural

Gramáticas. Gramáticas de cláusulas definidas. Procesamiento probabilístico del lenguaje. Recuperación de la información Relación sucinta de los contenidos (bloques temáticos en su caso)

Relación detallada y ordenación temporal de los contenidos

ACTIVIDADES FORMATIVAS

(3)

Relación de actividades formativas del segundo semestre

Horas presenciales:

Horas no presenciales:

Competencias que desarrolla:

Metodología de enseñanza-aprendizaje:

30.0 45.0

Todas

Clases teóricas, de problemas y actividades de evaluación.

Clases teóricas

Horas presenciales:

Horas no presenciales:

Competencias que desarrolla:

Metodología de enseñanza-aprendizaje:

15.0 22.5

Todas

Clases prácticas y actividades de evaluación.

Prácticas informáticas

BIBLIOGRAFÍA Y OTROS RECURSOS DOCENTES Bibliografía general

Data mining : practical machine learning tools and techniques , edicion 2nd ed.. San Francisco, CA [etc.]

Ian H. Witten, Eibe Frank 2005

Morgan Kaufmann

Autores: Edición:

Publicación: ISBN: 0

Pattern recognition and machine learning

Christopher M. Bishop 2006

New York : Springer

Introduction to machine learning

Ethem Alpaydin 2004

Cambridge, MA [etc] : The MIT

Artificial intelligence :a modern approach /Stuart J. Russell and Peter Norvig ; contributing writers, John F. Canny... [et al.]

Russell, S. J. and Norvig, P. 2nd ed., international ed.

cop. 2003.

Inteligencia artificial : un enfoque moderno , edicion 2a ed..

Stuart J. Russell y Peter Norvig 2004

Prentice Hall - Pearson Educat

(4)

Machine Learning

Tom M. Mitchell 1997

McGraw-Hill

Artificial intelligence : a modern approach

Stuart J. Russell and Peter Norvig 2nd ed., international ed.

2003

Inteligencia artificial : un enfoque moderno

Stuart J. Russell y Peter Norvig 2a ed.

2004

Publicación: ISBN: 84-205-4003-X

Machine Learning

Tom M. Mitchell NULL

1997

Publicación: ISBN: 0-07-042807-7

SISTEMAS Y CRITERIOS DE EVALUACIÓN Y CALIFICACIÓN Sistema de evaluación

Evaluación por curso

La evaluación por curso podrá constar de pruebas escritas, pruebas de laboratorio y trabajos. La nota por curso se obtendría a partir de las notas de las distintas pruebas de evaluación.

Evaluación final

La evaluación final podrá constar de pruebas escritas, pruebas de laboratorio, y trabajos. Opcionalmente se podrá conservar la nota de alguna de las pruebas de evaluación por curso. La nota final se obtendrá a partir de las notas de las distintas pruebas de evaluación.

(5)

ANEXO 1:

HORARIOS DE LOS GRUPOS NO PRINCIPALES DE LA ASIGNATURA Y DEL GRUPO DEL PROYECTO DOCENTE

GRUPO: Grupo de CLASES DE LABORATORIO de INTELIGENCIA AR. (865603)

Calendario del grupo

CLASES DEL PROFESOR: GRACIANI DIAZ, MARIA CARMEN

Del al De a

SIN

Fecha: Hora:

Aula:

Del al De a

SIN

Aula:

Del al De a

SIN

Aula:

Del al De a

SIN

Aula:

CLASES DEL PROFESOR: QUESADA MORENO, JOSE FRANCISCO

(6)

Del al De a SIN

Aula:

Del al De a

SIN

Aula:

Del al De a

SIN

Aula:

Del al De a

SIN

Aula:

CLASES DEL PROFESOR: GUTIERREZ NARANJO, MIGUEL ANGEL

Del al De a

SIN

Aula:

(7)

Del al De a

SIN

Aula:

Del al De a

SIN

Aula:

Del al De a

SIN

Aula:

GRUPO: Grupo de CLASES TEORICAS de INTELIGENCIA ARTIFICI. (865602)

CLASES DEL PROFESOR: RUIZ REINA, JOSÉ LUIS

Martes

Del 15/02/10 al 11/06/10 De 15:30 a 17:30

AULA H0.11

Aula: