En esta asignatura se revisarán conceptos básicos de lógica proposicional y de
predicados que servirán de base para entender cómo se realizan los procesos de
razonamiento clásicos. Posteriormente se introducirán conceptos sobre la
lógica difusa y la teoría de conjuntos difusos que serán la base para entender
procesos de razonamiento aproximado necesarios en gran cantidad de problemas
relacionados con la inteligencia artificial.
A1. Técnicas avanzadas de representación del conocimiento y razonamiento
102464
2023-24
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
Tema 2: Razonamiento Aproximado
Tema 3: Razonamiento Probabilístico
Unidades
1.1. Lógica proposicional
1.2. Lógica de primer orden
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
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
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 (clases en vídeo): visionado
inicial del material audiovisual que constituye las lecciones de la
asignatura. Se asume el tiempo real de vídeo puesto que el estudiante deberá
parar, repetir, etc. algunas secuencias (8,2 horas).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (32,5
horas).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos y estudio (53 horas).
A4 - Foros y chats: lanzamiento, lectura y contestación de cuestiones y
temas para la discusión general (11,8 horas).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc.
(7 horas).
Puede consultar en este enlace el Cronograma
de Carga de Trabajo.
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 (40% sobre el total).
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 (10% sobre el total adicional).
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 (60% sobre el total).
Para la convocatoria ordinaria, habrá 3 fechas de entrega de trabajos
final de curso. Los alumnos podrán entregar sus trabajos en cualquier momento,
pero sólo en estas fechas se recogerán y evaluarán los que se hayan entregado.
Las fechas serán:
• 13/01/23
Habrá una convocatoria extraordinaria en todas las asignaturas.
Para su evaluación, la fecha límite para la entrega de trabajos será:
• 14/07/23
Las actas de la convocatoria ordinaria se cerrarán en julio de 2023 y las de
la convocatoria extraordinaria en septiembre de 2023.
• 17/03/23
• 31/05/23
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
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
Martínez López, Luis
Catedrático de Lenguajes y Sistemas Informáticos
Universidad de Jaén
Bustince Sola, Humberto
Universidad Pública de Navarra, Navarra Artificial Intelligent Research Center
Gómez Olmedo, Manuel
Catedrático de Universidad
Universidad de Granada
ETS. Ing. Informática y de Telecomunicación