Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 10 Clase Interactiva: 15 Total: 26
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
Esta materia ten como obxectivo proporcionar aos estudantes os coñecementos e habilidades necesarios para traballar con tecnoloxías da web semántica e grafos de coñecemento. Ao longo do curso, estudaranse os principais estándares do W3C como RDF, RDFS, SPARQL, OWL, [R2]RML e SHACL, que permiten a representación, o intercambio e a validación de grafos de coñecemento. Os estudantes aprenderán a crear, enriquecer e validar grafos de coñecemento, ferramentas esenciais na integración e análise de grandes volumes de datos heteroxéneos. Ademais, exploraranse sistemas de Intelixencia Artificial híbridos baseados en grafos de coñecemento, como os sistemas de pregunta-resposta ou asistentes de voz, os (grandes) modelos de linguaxe, e outros enfoques neuro-simbólicos. A materia tamén abordará casos de uso prácticos, desde os espazos de datos Europeos ata exemplos reais en diferentes industrias, onde os grafos de coñecemento desempeñan un papel crave na interoperabilidade e a integración de datos a gran escala.
1. Introdución a Web Semántica e os grafos de coñecemento
2. Metodoloxías para o desenvolvemento de grafos de coñecemento
3. Intelixencia artificial neuro-simbólica baseada en grafos de coñecemento
4. Aplicacións e casos de uso: Os espazos de datos
Bibliografía básica:
Gómez-Pérez, A., Fernández-López, M., & Corcho, O. (2006). Ontological Engineering: with examples from the areas of Knowledge Management, e-Commerce and the Semantic Web. Springer Science & Business Media.
Hogan, A., Blomqvist, E., Cochez, M., d’Amato, C., Melo, G. D., Gutierrez, C., ... & Zimmermann, A. (2021). Knowledge graphs. ACM Computing Surveys (Csur), 54(4), 1-37.
Hendler, J., Lassila, O., & Berners-Lee, T. (2001). The semantic web. Scientific American, 284(5), 34-43.
Bibliografía complementaria:
Hitzler, P., Eberhart, A., Ebrahimi, M., Sarker, M. K., & Zhou, L. (2022). Neuro-symbolic approaches in artificial intelligence. National Science Review, 9(6), nwac035.
Poveda-Villalón, M., Fernández-Izquierdo, A., Fernández-López, M., & García-Castro, R. (2022). LOT: An industrial oriented ontology engineering framework. Engineering Applications of Artificial Intelligence, 111, 104755.
BÁSICAS
[CB2] Que o alumnado saiba aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúa as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo.
[CB4] Que o alumnado poida transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado.
[CB5] Que o alumnado desenvolvese aquelas habilidades de aprendizaxe necesarias para emprender estudos posteriores cun alto grao de autonomía.
[CG2] Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade.
XERAIS
[CG3] Capacidade para deseñar e crear modelos e solucións de calidade baseadas en Intelixencia Artificial que sexan eficientes, robustas, transparentes e responsables.
[CG4] Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, ou para desenvolver e propoñer novos métodos baseados en intelixencia artificial.
[CG5] Capacidade para concibir novos sistemas computacionales e/o avaliar o rendemento de sistemas existentes, que integren modelos e técnicas de intelixencia artificial.
ESPECÍFICAS
[CE13] Capacidade de 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.
[CE14] Coñecer as tecnoloxías semánticas para o almacenamento e acceso de grafos de coñecemento e o seu uso na resolución dos problemas.
TRANSVERSAIS
[TR3] Capacidade para crear novos modelos e solucións de forma autónoma e creativa, adaptándose a novas situacións. Iniciativa e espírito emprendedor.
Utilizaranse as seguintes metodoloxías docentes: Sesións expositivas (SE) e Sesións interactivas (SE). As SERANSE clases maxistrais nas que se impartirán conceptos teóricos. As SE serán sesións onde se poñerá en práctica os conceptos explicados na parte teórica a través de exemplos e casos de uso reais.
A avaliación da materia terá lugar de dúas maneiras diferentes, aínda que complementarias, que pretenden avaliar a competencia na realización práctica de sistemas baseados en coñecemento e ontologías. Por outra banda, distinguirase entre a avaliación da oportunidade común e a de recuperación:
OPORTUNIDADE ORDINARIA
(1) Proba final no que se demostrará o dominio dos aspectos teóricos e prácticos da materia. Esta parte representará o 30% da nota final da materia.
(2) Realización dun conxunto de exercicios nos que se demostrará de maneira práctica o dominio no desenvolvemento dos sistemas baseados en grafos de coñecemento, así como dos métodos de intelixencia artificial híbrida. Esta parte constituirá o 70% da nota final da materia.
Se se entrega algúns dos exercicios propostos considerarase como presentado na materia. Por último, a copia parcial ou total dun ou máis exercicios significará o suspenso de toda a materia.
OPORTUNIDADE DE RECUPERACIÓN
Os criterios de avaliación das partes de teoría e práctica na oportunidade de recuperación serán exactamente os mesmos que para a oportunidade ordinaria.
No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recolleito na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións. 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 nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos os casos.
Traballo en clase:
- Clases teóricas: 10 horas
- Clases prácticas: 15 horas
- Tutorización individual: 1 hora
Total de horas de traballo na aula: 26 horas
Traballo persoal dos estudantes (estudo, realización de exercicios, prácticas, proxectos) e outras actividades (avaliación): 49
Total de horas de traballo: 75 horas
-
Utilizarase o campus virtual da USC e a plataforma Github para toda a docencia, publicación de material, guións de prácticas e entregas de traballos.
David Chaves Fraga
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881815525
- Correo electrónico
- david.chaves [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Xoves | |||
|---|---|---|---|
| 15:30-17:00 | Grupo /CLIL_01 | Castelán | IA.03 |
| 28.05.2026 16:00-20:00 | Grupo /CLIL_01 | IA.01 |
| 28.05.2026 16:00-20:00 | Grupo /CLE_01 | IA.01 |
| 07.07.2026 16:00-20:30 | Grupo /CLE_01 | IA.11 |
| 07.07.2026 16:00-20:30 | Grupo /CLIL_01 | IA.11 |