A1. Técnicas avanzadas de representación del conocimiento y razonamiento
102118
2016-17
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
La elección de un adecuado formalismo de representación del conocimiento, así
como del método de razonamiento para inferir conclusiones a partir del
conocimiento representado, son dos elementos claves en la resolución de un
problema de inteligencia artificial.
En esta materia se mostrarán diferentes modelos para estructurar el
conocimiento que, partiendo de los modelos lógicos y de reglas básicos,
muestren al estudiante los principios fundamentales de formalismos más
avanzados, como son los modelos de razonamiento probabilístico de lógica y
razonamiento difusos y las lógicas descriptivas:
Lógicas descriptivas. Modelos y razonadores para lógicas descriptivas.
Sintaxis, semántica y extensiones de lógicas de descripción básicas.
Inferencia. Razonamiento con conceptos e individuos.
Representación del conocimiento y Razonamiento difusos: funciones de fusión,
variable lingüística y relaciones difusas. Regla composicional de inferencia,
modus Ponens generalizado, reglas difusas y sistemas de reglas.
Modelos gráficos. Redes bayesianas.
Tema 1: Introducción
1.1. Lógica proposicional
1.2. Lógica de primer orden
Tema 2: Razonamiento Aproximado
2.1. Introducción a la lógica difusa
2.2. Introducción a las funciones de fusión
2.3. Relaciones difusas y representación de reglas difusas
2.4. Modus Ponens Generalizado: Regla composicional de Zadeh y método de
interpolación con similitudes
2.5. Reglas difusas y Sistemas de reglas
Tema 3: Razonamiento Probabilístico
3.1. Introducción a la Probabilidad
3.2. Teorema de Bayes. Variables Aleatorias
3.3. Independencia e Independencia Condicional
3.4. Introducción a las Redes Bayesianas
3.5. Construcción de Redes Bayesianas
3.6. Cálculo en Redes Bayesianas
Unidades
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG3 - Gestionar de manera inteligente los datos, la información y su
representación.
CE3 - Seleccionar el mecanismo de representación del conocimiento y el método
de razonamiento más adecuados al contexto donde serán utilizados y diseñar su
aplicación para problemas en el ámbito de la Inteligencia Artificial.
CE4 - Conocer los principales modelos de razonamiento impreciso para valorar
su adecuación a la resolución de problemas que surgen en el ámbito de la
Inteligencia Artificial.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales: visionado inicial del material
audiovisual (vídeos introductorios, presentaciones, animaciones) que se
elabore en cada una de las materias y que servirán presentación de cada uno de
los temas a los estudiantes (12 horas - 100% presencialidad).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (17
horas - 0% presencialidad).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos y estudio (72 horas - 0% presencialidad).
A4 - Foros y chats: lanzamiento de cuestiones y temas para la discusión
general (5,5 horas - 0% presencialidad).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc
(6 horas - 100% presencialidad).
E1 - Valoración de los cuestionarios de evaluación: los
estudiantes realizarán por cada unidad didáctica un cuestionario de evaluación
que será objeto de puntuación en la nota final (ponderación mínima 20% y
máxima 40%).
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes que contará para
la nota final (ponderación mínima 10% y máxima 20%).
E3 - Valoración de los trabajos individuales: se valorarán los
problemas, proyectos, trabajos realizados y entregados a través de la
plataforma, y apoyado en los casos que sea necesario (sobre todo cuando se
trate de desarrollo de código) por plataformas de gestión de código como
GitHub. También se incluirá el video que el alumno deberá enviar al profesor
para cada asignatura (ponderación mínima 40% y máxima 70%).
Las sesiones se desarrollarán en octubre de 2016.
Bibliografía específica o básica
Inteligencia Artificial Métodos y Técnicas. D. Barro, N.
Juristo, V. Martinez y J. Pazos. Ed. Centro de estudios Ramón Areces. 1993.
Problemas resueltos de Inteligencia Artificial. S. Fernández Galán, J.
González Boticario and J. Mira Mira, Addisson Wesley 1998
Fundamentals of fuzzy sets. D. Dubois and H. Prade, Kluwer Academic
Publishers. 2000
A Practical Guide to Averaging Functions. G. Beliakov, H. Bustince and
T. Calvo, Springer 2016
Introducción a la lógica borrosa. E. Trillas, C. Alsina,
J.-M. Terricabras, Ariel matemática, 1995
Bibliografía general y complementaria
Introducción al Razonamiento Aproximado. F. J. Díez, UNED
First Course on Fuzzy Theory and Applications. Dr. Kwang H. Lee,
Springer-Verlag Berlin Heidelberg 2005
Fuzzy Sets and Fuzzy Logic, Therory and Applications. G. J. Klir and B.
Yuan, Prentice Hall, 1995
Fuzzy Set Theory-and Its Application. H.-J. Zimmermann, Springer
Aggregation Functions. M. Grabisch, J.L. Marichal, R. Mesiar, E. Pap,
Cambridge University Pres, 2009
Lógica de primer orden. J. Mosterín, Ariel, 1983
Bibliografía básica
E. Castillo, J.M. Gutiérrez y A.S. Hadi (1997). Sistemas Expertos y
Modelos de Redes Probabilísticos. Academia de Ingeniería, Madrid.
A. Darwiche (2009). Modeling and Reasoning with Bayesian Networks.
Cambridge University Press.
F.V. Jensen, T.D. Nielsen (2007). Bayesian networks and decision graphs
(2nd. Edition) New York, NY: Springer-Verlag.
U.B. Kjaerulff, A.L. Madsen (2008). Bayesian Networks and Influence
Diagrams. A Guide to Construction and Analysis. Springer, New York.
J. Pearl (1988). Probabilistic reasoning in intelligent systems: Networks
of plausible inference. San Mateo, CA.: Morgan Kaufmann Publishers.
Enlaces web recomendados
A. Moore. Tutorial Slides on Bayesian Networks: http://www.autonlab.org/tutorials/bayesstruct.html
K. Murphy. A brief introduction to Graphical Models and Bayesian Networks: http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html
Norsys Software Corp. A Tutorial on Bayesian Networks with Netica. https://www.norsys.com/tutorials/netica/nt_toc_A.htm
Módulos de Introducción y Razonamiento aproximado
Módulo de Razonamiento probabilístico
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Anual
Créditos ECTS: 4,5
Moral Callejón, Serafín
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada
Bustince Sola, Humberto
Universidad Pública de Navarra, Navarra Artificial Intelligent Research Center
Martínez López, Luis
Catedrático de Lenguajes y Sistemas Informáticos
Universidad de Jaén