Saltar al contenido principal
- -

poc: tecnavanzadascyr
Técnicas avanzadas de representación del conocimiento y razonamiento

Técnicas avanzadas de representación del conocimiento y razonamiento
El curso esta lleno

El objetivo de la asignatura es explicar algunas herramientas para la representación, extracción y uso de conocimiento a partir de conjuntos de datos. En particular, la asignatura explica el uso de la teoría difusa y la teoría de la probabilidad para la representación de los datos de un problema y para realizar tareas de inferencia.
El curso esta lleno

Duración

Septiembre a Marzo - 4,5 créditos

Acerca de este curso

El objetivo de la asignatura es explicar algunas herramientas para la representación, extracción y uso de conocimiento a partir de conjuntos de datos. En particular, la asignatura explica el uso de la teoría difusa para la representación de los datos de un problema, la construcción de reglas utilizando dicha teoría de conjuntos difusos y los mecanismos de obtención de conclusiones a partir de dichas reglas utilizando algunos los conceptos más relevantes de la lógica y el razonamiento aproximado, en especial, el modus ponens.

Una parte de la asignatura está dedicada al razonamiento probabilístico. En ella se repasan algunos conceptos básicos de teoría de la probabilidad, para centrarse en las redes bayesianas. Estos modelos usan un lenguaje basado en grafos para representar y razonar en sistemas complejos que tienen incertidumbre representada por probabilidades. Se repasan los métodos de construcción y los algoritmos básicos de inferencia.

Que aprenderé

En esta asignatura se revisarán conceptos básicos de lógica proposicional y de prédicados que servirán de base para entender como 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. También se repasarán los conceptos básicos de teoría de la probabilidad y se introducirán las redes bayesianas, unos modelos que permiten representar y razonar de forma eficiente en situaciones complejas en las que exista incertidumbre. Se aprenderá a construir redes bayesianas, se describirán los problemas que se pueden resolver con las mismas y se dará una idea de los algoritmos básicos de inferencia.

Prerrequisitos

Es conveniente una formación básica en matemáticas y razonamiento abstracto. También pueden ser de ayuda conocimientos elementales de probabilidad.

Unidades

  • Tema 1: Introducción.
    • Tema 1.1. Lógica proposicional.
    • Tema 1.2. Lógica de primer orden.
  • Tema 2: Razonamiento Aproximado.
    • Tema 2.1. Introducción a la lógica difusa.
    • Tema 2.2. Introducción a las funciones de fusión.
    • Tema 2.3. Relaciones difusas y representación de reglas difusas.
    • Tema 2.4. Modus Ponens Generalizado: Regla composicional de Zadeh y método de interpolación con similitudes.
    • Tema 2.5. Reglas difusas y Sistemas de reglas.
  • Tema 3: Razonamiento Probabilístico.
    • Tema 3.1. Introducción a la Probabilidad.
    • Tema 3.2. Teorema de Bayes. Variables Aleatorias.
    • Tema 3.3. Independencia e Independencia Condicional.
    • Tema 3.4. Introducción a las Redes Bayesianas.
    • Tema 3.5. Construcción de Redes Bayesianas.
    • Tema 3.6. Cálculo en Redes Bayesianas.

Profesores del curso

Humberto Bustince Sola

Humberto Bustince Sola es licenciado en Ciencias Físicas por la Universidad de Salamanca (1983) y doctor en Matemáticas por la Universidad Pública de Navarra (1994), donde ejerce la docencia y la investigación desde 1991. Actualmente, es catedrático en el Departamento de Automática y Computación e imparte docencia sobre inteligencia artificial a estudiantes de Ingeniería Informática. Responsable del grupo de investigación de la UPNA sobre Inteligencia Artificial y Razonamiento Aproximado (GIARA), Bustince es también autor de más de 155 artículos científicos y más de cien contribuciones a congresos internacionales, además de ser coautor de cuatro libros sobre lógica difusa. Ha sido investigador principal de doce proyectos con financiación pública y de nueve con financiación privada.

Luis Martínez López

Luis Martínez López es licenciado y doctor en Informática por la Universidad de Granada (1993,1999), actualmente es catedrático de unversidad de Lenguajes y Sistemas Informáticos del departamento de informática de la Universidad de Jaén donde imparte docencia en las asignaturas de sistemas de ayuda a la decisión e Inteligencia de Negocios y en la Web a alumnos del grado y master en Ingeniería Informática respectivamente. El Dr. Martínez es el investigador prinicpal del grupo Sistemas Inteligentes Basados en Análisis de Decisión Difusos (Sinbad²) con el que ha publicado más de 85 artículos científicos y más de 150 contribuciones a congresos nacionales e internacionales. Cabe destacar que ha dirigido 13 tesis doctorales y 14 proyectos de I+D y que actualmente es editor en jefe de la revista International Journal of Computational Intelligence Systems. Ha recibido dos veces el IEEE Transactions on Fuzzy Systems Outstanding Paper Award 2008 and 2012 (entregado en 2011 y 2015 respectivamente) y el premio Da Ruan’s Award en el FLINS 2016. También es profesor visitante en la Universidad Tecnológica de Sidney, profesor invitado en la Southwest Jiaotong University y profesor honorable en la Xihua University ambas en Chengdu (China).

Serafín Moral Callejón

Serafín Moral obtuvo la Licenciatura de Matemáticas en 1981 y el título de Doctor en 1985, ambos en la Universidad de Granada. Es Catedrático del área de Ciencias de la Computación e Inteligencia Artificial desde 1998. Trabaja en razonamiento con incertidumbre en Inteligencia Artificial, modelos gráficos probabilísticos y probabilidades imprecisas. Ha impartido docencia en inteligencia artificial, razonamiento probabilístico, modelos de computación y complejidad algorítmica, tanto en grado como en máster.

Ha publicado más de 90 trabajos en revistas internacionales y sobre 110 trabajos en actas de congresos y capítulos de libros. Su índice h es de 37 en Google Académico. Ha dirigido 13 tesis doctorales y ha participado en más de 20 proyectos de investigación obtenidos en convocatorias competitivas de carácter nacional y europeo. Ha sido responsable del comité de programa y organizador de 5 congresos de carácter internacional. Es resposable de área de las revistas Artificial Intelligence Journal, International Journal of Uncertainty, Fuzziness and Knowledge Based Systems y Progress in Artificial Intelligence. Es Fellow del European Coordinating Committee for Artificial Intelligence (ECCAI).

Preguntas frecuentes

¿Cómo será la evaluación del curso?

  • Tests sobre conceptos teóricos de las lecciones 50%
  • Ejercicios y prácticas de los distintos módulos de la asignatura 50%

El curso esta lleno

MOOC es el acrónimo en inglés de Massive Online Open Course (que puede traducirse como Curso masivo abierto online).

Las siglas MOOC se utilizan para referirse a una iniciativa que comenzó en 2011 con un curso de Introducción a la Inteligencia artificial de la Universidad de Stanford en el que se inscribieron 160.000 estudiantes de 190 países, y que se ha convertido ya en un movimiento global al que se han incorporado las mejores universidades del mundo con la creación de diversas plataformas MOOC y miles de cursos que comparten un objetivo: proporcionar acceso gratuito a una formación superior de calidad a cualquiera que tenga una conexión a internet.

Los MOOCs están basados en la integración de tecnologías que existen desde hace tiempo en Internet: el vídeo en red, la evaluación automática a distancia y los foros de preguntas y respuestas en la web. Pero es ahora cuando los usuarios se han acostumbrado a usar el vídeo en red y las redes sociales en su día a día en Internet, lo que facilita que se creen comunidades de alumnos situados en cualquier parte del mundo que comparten conocimientos y experiencias y se ayudan en el proceso de aprendizaje, dándole a la formación online un nuevo enfoque colaborativo. Esto, unido a la disponibilidad de acceso a los cursos MOOC en cualquier momento y desde cualquier lugar en donde se tenga acceso a Internet, ha permitido crear una nueva comunidad global de estudiantes.

Los MOOCs de UPV[X] están diseñados para ayudarte a aprender trabajando a tu ritmo de forma independiente y proporcionarte el apoyo de la comunidad de aprendizaje si te hace falta.

Para ello los MOOCs están estructurados en módulos que suelen corresponder a una semana de trabajo (aunque no siempre es así). Los módulos se estructuran en lecciones con un vídeo, que dura normalmente entre 3 y 10 minutos, y una pregunta de refuerzo al final para ayudarte a fijar su contenido. Las lecciones están orientadas a tratar un concepto (o un número reducido de ellos) de forma que sean lo más atómicas que sea posible.

Los cursos MOOC de UPV[X] pueden tener distintos esquemas de evaluación, pero lo habitual es que al terminar cada módulo haya un examen (normalmente tipo test) que te permitirá comprobar tu evolución y fijar los conocimientos, y que cuenta en cierto porcentaje para la evaluación final. Con ello tendrás una realimentación frecuente de tu progreso que te permitirá ir mejorar tu proceso de aprendizaje.

Al acabar el MOOC habrá a un examen final para evaluar si has alcanzado los objetivos de aprendizaje que contará en un porcentaje mayor para la evaluación final.

En los MOOC también hay un foro de debate moderado por el equipo del curso donde los alumnos pueden consultar sus dudas sobre el contenido del curso y comentar aquellas cosas que les parezcan interesantes. El acceso a una comunidad online de internautas con tus mismos intereses y que están aprendiendo a la vez enriquece la experiencia del curso.

Esperamos sinceramente que disfrutes de nuestros MOOCs y aprendas con nosotros