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
La materia aborda algunos de los paradigmas formales más importantes para el tratamiento y la cuantificación de la incertidumbre en el razonamiento. Se tratarán métodos de representación gráfica que permiten simplificar el análisis de cualquier modelo probabilístico. La materia muestra su aplicabilidad con múltiples ejemplos de la ciencia y la ingeniería. La introducción posterior de la teoría de la decisión, en combinación con la teoría de la probabilidad, permite escoger la alternativa óptima a partir de la información disponible, ya sea ésta incompleta o ambigua.
Una vez superada la asignatura el/la estudiante:
• Conocerá los paradigmas formales más importantes para el tratamiento y la cuantificación de la incertidumbre en el razonamiento.
• Sabrá aplicar los modelos gráficos y las redes bayesianas, conociendo la inferencia exacta y aproximada.
• Conocerá los modelos de probabilísticos a la hora de resolver problemas en los que existe incertidumbre.
• Conocerá la teoría de la decisión y la teoría de juegos en la resolución de problemas.
Tema 1. Razonamiento Borroso
1.1 Cuantificadores
1.2 Computación con palabras y percepciones
Tema 2. Razonamiento Probabilístico
2.1 Modelos gráficos
2.2 Redes bayesianas
2.3 Inferencia exacta y aproximada en modelos gráficos
2.4 Aprendizaje de modelos probabilísticos
Tema 3. Razonamiento Temporal
3.1 Modelos borrosos
3.2 Modelos de Markov
3.3 Filtros de Kalman
3.4 Modelos secuenciales
Tema 4. Toma de Decisiones
4.1 Teoría de la decisión
4.2 Redes de decisión
4.3 Decisiones Complejas
4.4 Teoría de Juegos
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 y GENERALES
- [CB4] Que el alumnado pueda transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- [CG2] Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad.
- [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.
ESPECÍFICAS
- [CE13] Capacidad para modelar y diseñar sistemas basados en representación del conocimiento y razonamiento lógico o aproximado y aplicarlas a diferentes dominios y problemas, también en contextos de incertidumbre.
TRANSVERSALES
- [TR2] Capacidad de trabajo en equipo, en entornos interdisciplinares y gestionando conflictos.
- [TR3] Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.
Resultados del Aprendizaje
- Conocer los paradigmas formales más importantes para el tratamiento y la cuantificación de la incertidumbre en el razonamiento.
- Saber aplicar los modelos gráficos y las redes bayesianas, conociendo la inferencia exacta y aproximada.
- Conocer los modelos de probabilísticos a la hora de resolver problemas en los que existe incertidumbre.
- Conocer la teoría de la decisión y la teoría de juegos en la resolución de problemas.
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 CB4, CG2, CG4 y CE13. Además, los/las profesores/as propondrán al alumnado un conjunto de actividades a realizar, de forma individual o en grupo (trabajos, presentaciones, lecturas, prácticas ...), con el objetivo de facilitar el aprendizaje. Algunas de estas actividades serán evaluables y por tanto tendrán carácter de realización obligatoria según se indica en el sistema de evaluación del aprendizaje. El alumnado deberá en general presentarlas para su evaluación, para lo que se indicarán los plazos de entrega/presentación a través de los cauces que se establezcan. Estas actividades permitirán desarrollar las competencias anteriores y adicionalmente las TR2 y TR3.
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 (60%), como la práctica (40%). 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 (60%): 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 (40%): evaluación de todas las actividades prácticas obligatorias propuestas por los docentes, de acuerdo con la siguiente planificación:
• P1: Razonamiento borroso (entrega tras la sesión interactiva 1; peso 10% de la parte práctica)
• P2: Razonamiento probabilístico (entrega tras las sesiones interactivas 5 y 6; peso 40% de la parte práctica)
• P3: Razonamiento temporal (entrega tras las sesiones interactivas 7 y 9; peso 40% de la parte práctica)
• P4: Redes de decisión (entrega tras la sesión interactiva 10; peso 40% de la parte práctica)
La evaluación de los entregables puede incluir la realización de un cuestionario de autoevaluación y/o una sesión de presentación y discusión presencial del mismo. Estas actividades de evaluación serán obligatorias y podrán realizarse en clase interactiva, por lo que, a efectos de lo establecido en el Art.1 del Regulamento de asistencia a clase nas ensinanzas oficiais de grao e máster da Universidade de Santiago de Compostela (25/11/2024)”, la asistencia a las sesiones donde se programen estas actividades será obligatoria, siendo un requisito la realización de las mismas que, de no cumplirse, supondrá la calificación de 0,0 en el entregable correspondiente. Excepto la indicada en este apartado, la asistencia a clase no tendrá otra valoración en el sistema de evaluación, aunque la asistencia a las diferentes actividades docentes ayuda a mejorar la comprensión de la materia y a la adquisición de las competencias.
La calificación de esta parte ha de ser igual o superior a 4 sobre una puntuación máxima de 10 puntos, para que pueda aprobarse el conjunto de la materia. Aquellas entregas con una calificación 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 y práctica, salvo que en algún ítem de evaluación no se alcancen los umbrales mínimos establecidos. En caso de 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. Los estudiantes repetidores deberán seguir el mismo sistema de evaluación que el resto de los estudiantes.
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 estudiantes 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 30h (clases magistrales), 20h (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 no cursar la asignatura sin haber superado previamente las asignaturas Programación I, Cálculo y Análisis Numérico, Programación II, Estadística, Optimización Matemática, “Algoritmos,” “Fundamentos de aprendizaje automático”, “Representación del conocimiento y razonamiento“ y “Algoritmos Básicos de la Inteligencia Artificial”.
La materia se impartirá en castellano y gallego, pero tanto en la bibliografía como en los apuntes pude haber parte de contenidos en inglés.
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
Jose Maria Alonso Moral
- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881816432
- Correo electrónico
- josemaria.alonso.moral [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
Ainhoa Vivel Couso
- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- ainhoa.vivel.couso [at] usc.es
- Categoría
- Predoutoral Xunta
| Martes | |||
|---|---|---|---|
| 09:00-10:00 | Grupo /CLE_01 | Castellano | IA.01 |
| Miércoles | |||
| 09:00-10:00 | Grupo /CLE_01 | Castellano | IA.01 |
| Jueves | |||
| 09:00-10:00 | Grupo /CLE_01 | Castellano | IA.01 |
| Viernes | |||
| 10:00-12:00 | Grupo /CLIL_02 | Castellano | 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 /CLIL_01 | IA.02 |
| 26.05.2026 16:00-20:00 | Grupo /CLIL_02 | IA.02 |
| 26.05.2026 16:00-20:00 | Grupo /CLE_01 | 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 |