Universidad Pública de Navarra



Año Académico: 2023/2024 | Otros años:  2022/2023  |  2021/2022 
Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra (Programa Internacional)
Código: 250403 Asignatura: INTELIGENCIA ARTIFICIAL
Créditos: 6 Tipo: Obligatoria Curso: 2 Periodo: 2º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
PAGOLA BARRIO, MIGUEL (Resp)   [Tutorías ] FORCEN CARVALHO, JUAN IGNACIO   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

Módulo: Común a la Rama de Informática


Materia: Inteligencia Artificial

Subir

Competencias genéricas

 

Las competencias genéricas que un alumno debería adquirir en esta asignatura son:

  • G6. Capacidad para concebir y desarrollar sistemas o arquitecturas informáticas centralizadas o distribuidas integrando hardware, software y redes.
  • G8. Conocimiento de las materias básicas y tecnologías, que capaciten para el aprendizaje y desarrollo de nuevos métodos y tecnologías, así como las que les doten de una gran versatilidad para adaptarse a nuevas situaciones.
  • G9. Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.

Aparte de estos conocimientos y habilidades, la asignatura  pretende la adquisición de las competencias transversales:

  • T1. Capacidad de análisis y síntesis
  • T3. Comunicación oral y escrita
  • T4. Resolución de problemas
  • T8. Aprendizaje autónomo.

 

 

Subir

Competencias específicas

Las competencias específicas que un alumno debería adquirir en esta asignatura son:

  • FC1 Capacidad para diseñar, desarrollar, seleccionar y evaluar aplicaciones y sistemas informáticos, asegurando su fiabilidad, seguridad y calidad, conforme a principios éticos y a la legislación y normativa vigente.
  • FC6 Conocimiento y aplicación de los procedimientos algorítmicos básicos de las tecnologías informáticas para diseñar soluciones a problemas, analizando la idoneidad y complejidad de los algoritmos propuestos.
  • FC15 Conocimiento y aplicación de los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.

Subir

Resultados aprendizaje

Conocer y aplicar los procedimientos algorítmicos básicos de la Inteligencia Artificial

Identificar los problemas en los que pueden aplicarse las diferentes algoritmos básicos.

Diseñar soluciones para problemas específicos a partir de las técnicas estudiadas

Subir

Metodología

Metodología - Actividad Horas Presenciales Horas no Presenciales
A-1 Clases teóricas   15
A-2 Aprendizaje basado en problemas y/o casos 24  
A-3 Sesiones prácticas 30  
A-4 Programación y resolución de problemas, ejercicios   30
A-5 Elaboración de trabajo   15
A-6 Estudio individual   30
A-7 Exámenes, evaluación prácticas 6  
Total 60 90

 

La asignatura Inteligencia Artificial se desarrollará según la metodología flipped classroom, en la que los contenidos teóricos se mostrarán a través de vídeos que los estudiantes deben visionar en su tiempo de estudio. Al acabar cada uno de estos vídeos se realizará un cuestionario para evaluar y comprobar si se han comprendido los contenidos explicados en cada vídeo. Las clases teóricas se dedicarán a realizar ejercicios y problemas relacionados con los conceptos y algoritmos presentados en los vídeos de esa semana. Además, en las clases de prácticas se desarrollarán programas y pequeños proyectos en los que se implementarán los algoritmos estudiados.

Subir

Relación actividades formativas-competencias/resultados de aprendizaje

 

Actividad Formativa Competencia
 A-1  G6, G8, FC1, FC6, FC15
 A-2  G6, G8, G9, FC1, FC6, FC15
 A-3  G6, G8, G9, FC1, FC6, FC15
 A-4  G6, G8, G9, T1, T4, T8, FC1, FC6, FC15
 A-5  G9, FC1, T1, T3, FC6, FC15
 A-6  G6, G8, G9, T1, T8, FC1, FC6, FC15
 A-7  G6, G8, G9, FC1, FC6, FC15

Subir

Idiomas

Castellano

Subir

Evaluación

 

Resultados de
aprendizaje
Actividad de
evaluación
Peso (%) Carácter
recuperable
Nota mínima
requerida
R1 Test semanales 10 No  
R1 Exámenes teóricos 50 4
R2, R3 Realización de proyectos 40 4

 

Seguiremos una metodología de evaluación continua mediante la realización de diferentes pruebas teóricas y la entrega de prácticas. En particular se realizarán tres pruebas escritas sobre cada una de las partes de la asignatura y se entregarán 3 proyectos.

La parte teórica tiene un peso del 60% de la nota y el parte práctica otro 40%.

Para que las pruebas teóricas puedan hacer media deben tener una nota superior a 5 sobre 10.

Para que los proyectos puedan hacer media deben tener una nota superior a 4 sobre 10.

En caso de no aprobar la asignatura, la nota será la obtenida en el examen escrito.

La entrega de un proyecto que no sea original, en la que la mayor parte de código sea copiado implicará el suspenso de la asignatura.

 

 

Subir

Contenidos

Esta asignatura pretende proporcionar al estudiante los principios y conceptos básicos de la Inteligencia Artificial con un  enfoque teórico y otro aplicado a la Ingeniería. Deben adquirir una base sólida en la representación de estados , en las búsquedas y en los elementos básicos aplicados de la inteligencia artificial.

Subir

Temario

Parte I.

  1. Introducción a la Inteligencia Artificial
  2. Representación en espacio de estados
  3. Búsquedas exhaustivas
    1. Búsqueda en anchura
    2. Búsqueda en profundidad
  4. Búsquedas informadas
    1. Búsqueda óptima
    2. A*
    3. Heurística
  5. Búsquedas aproximadas
    1. Beam search
  6. Juegos e Inteligencia Artificial
    1. Algoritmo Minimax
    2. Juegos de suma cero. Negamax
    3. Poda alfa-beta

 

 

Parte II.

  1. Razonamiento aproximado
  2. Introducción a la representación del conocimiento
  3. Representación de la incertidumbre. Probabilidad
    1. Teorema de la probabilidad total
    2. Regla de Bayes
    3. Dependencia condicional
  4. Redes Bayesianas
    1. D-separación
    2. Problema de Monty-Hall
  5. Inferencia probabilista
    1. Inferencia por enumeración
    2. Inferencia por eliminación de variables
    3. Inferencia aproximada
  6. Construcción de redes Bayesianas
    1. Estimación de parámetros
    2. Aprender la estructura de la red

 

Parte III.

  1. Introducción al aprendizaje automático (machine learning)
  2. Modelo de neuronal artificial. Perceptrón
    1. Adaline. Regresión lineal
    2. Función de perdida o error
    3. Descenso por gradiente
    4. Perceptrón simple. Clasificación lineal
    5. Función de perdida bisagra
  3. Red neuronal artificial
    1. Perceptrón multicapa
    2. Aprendizaje
  4. Evaluación
    1. Validación cruzada
    2. Medidas de rendimiento

 

Subir

Programa de prácticas experimentales

Las prácticas se realizarán en Python utilizando el entorno jupyter notebook.

 

Semana Prácticas
1 Repaso Python
2 Resolución problema del Puzzle.
3 Resolución problema del Puzzle.
4 Proyecto Búsquedas/Juegos
5 Proyecto  Búsquedas/Juegos
6 Proyecto  Búsquedas/Juegos
7 Proyecto  Búsquedas/Juegos
8 Red bayesiana, inferencia
9 Red bayesiana, inferencia
10 Proyecto Red Bayesiana
11 Proyecto Red Bayesiana
12 Aprender un perceptrón. Descenso por Gradiente
13 Aprender un perceptrón. Descenso por Gradiente
14 Proyecto redes neuronales
15 Proyecto redes neuronales

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


  • Russell, S., Norvig, P. "Artificial Intelligence: A Modern Approach". Prentice Hall Series in Artifical Intelligence. ( New Jersey ). EE.UU.1995  
  • Francisco Escolano [et al.]. Inteligencia Artificial: modelos, técnicas y áreas de aplicación. Madrid Thomson. 2003.
  • S. Fernández [et al.]. Problemas resueltos de inteligencia artificial aplicada: búsqueda y representación. Madrid Addison-Wesley. 2001.
  • Miguel Angel Cazorla Quevedo [et al.]. Técnicas de inteligencia artificial. TextosDocentes. Publicaciones Universidad de Alicante. 1999.

Subir