Créditos: 6 Horas Presenciales del estudiante: 45 Horas No Presenciales del estudiante: 105 Total Horas: 150 UTILIZACIÓN DE LA PLATAFORMA VIRTUAL:

Transcripción

1 Pag. 1 de 9 GUÍA DOCENTE CURSO: DATOS BÁSICOS DE LA ASIGNATURA Asignatura: Sistemas Expertos Probabilísticos y Razonamiento Temporal Aproximado Código de asignatura: Plan: Máster en Informática Avanzada e Industrial Año académico: Ciclo formativo: Máster Universitario Oficial Curso de la Titulación: 1 Tipo: Optativa Duración: Segundo Cuatrimestre DISTRIBUCIÓN HORARIA DE LA ASIGNATURA SEGÚN NORMATIVA Créditos: 6 Horas Presenciales del estudiante: 45 Horas No Presenciales del estudiante: 105 Total Horas: 150 UTILIZACIÓN DE LA PLATAFORMA VIRTUAL: Apoyo a la docencia DATOS DEL PROFESORADO Nombre Sagrado Martínez, José del Departamento Lenguajes y Computación Edificio Edificio Científico Técnico III Matemáticas e Informática (CITE III) 2 Despacho 04 Teléfono (institucional) jsagrado@ual.es Recursos Web personales Web de Sagrado Martínez, José del Nombre Bosch Arán, Alfonso José Departamento Lenguajes y Computación Edificio Edificio Científico Técnico III Matemáticas e Informática (CITE III) 2 Despacho 21 Teléfono (institucional) abosch@ual.es Recursos Web personales Web de Bosch Arán, Alfonso José

2 ORGANIZACIÓN DE LAS ACTIVIDADES Actividades previstas para el aprendizaje y distribución horaria del trabajo del estudiante por actividad (estimación en horas) Gran Grupo 0,0 I. ACTIVIDADES DEL ESTUDIANTE (Presenciales / Online) Grupo Docente 32,0 13,0 Total Horas Presenciales/On line... 45,0 II. ACTIVIDADES NO PRESENCIALES DEL ESTUDIANTE (Trabajo Autónomo) ( Trabajo en grupo, Trabajo individual ) 105 TOTAL HORAS DE TRABAJO DEL ESTUDIANTE Total Horas No Presenciales ,0

3 ELEMENTOS DE INTERÉS PARA EL APRENDIZAJE DE LA ASIGNATURA Justificación de los contenidos El tratamiento de la incertidumbre es un aspecto fundamental en la construcción de sistemas inteligentes. Actualmente, una de las herramientas más extendidas con dicho fin es la probabilidad. Así mismo, la lógica borrosa ofrece mecanimos de razonamiento aproximado para el tratamiento de información temporal. En este curso se estudian los fundamentos de los sistemas expertos probabilísticos y del razonamiento temporal aproximado, prestando especial atención al uso de software libre disponible en la red para su implementación, de manera que el alumno comprenda el funcionamiento de los productos software comerciales existentes para la toma de decisiones. Una característica de las explotaciones agrarias intensivas de la provincia de Almería es sus alto nivel tecnológico y su variedad en lo referente a estructuras, cultivos, productores, etc. Esta heterogeneidad junto con el volumen de datos existente dificultan el análisis de la información disponible. En este entorno la aplicación de modelos gráficos es prometedora, puesto que permiten obtener modelos de sistemas muy complejos, visualizando las interacciones entre variables. Materia con la que se relaciona en el Plan de Estudios Modelado conceptual del conocimiento Modelado de sistemas de información Conocimientos necesarios para abordar la Asignatura Son necesarios los conocimientos de acceso al Máster. Requisitos previos recogidos en la memoria de la Titulación Ninguno. COMPETENCIAS Competencias Generales Competencias Genéricas de la Universidad de Almería Habilidad en el uso de las TIC Comunicación oral y escrita en la propia lengua Otras Competencias Genéricas Aplicación de conocimientos Competencias Específicas desarrolladas E8 - Conocimiento y uso de técnicas de inteligencia artificial y sistemas basados en conocimiento. E7- Conocimiento y uso de técnicas informáticas avanzadas para la investigación y el análisis en el entorno industrial. OBJETIVOS/RESULTADOS DEL APRENDIZAJE Los objetivos de aprendizaje que pretende lograr el desarrollo de esta materia son los siguientes: Conocer los fundamentos de los sistemas expertos, prestando especial atenciaón a los basados en probabilidad. Conocer los fundamentos de los modelos gráficos probabilísticos. Aprender distintas técnicas de razonamiento bajo incertidumbre, tanto exactas como aproximadas. Aprender técnicas de razonamiento temporal.

4 BLOQUES TEMÁTICOS Y MODALIDADES ORGANIZATIVAS Introducción TEMA Introducción Objetivos Fundamentos de los Sistemas Expertos Probabilísticos Lógica, incertidumbre y probabilidad Grupo Docente Clases magistrales/participativas Exposición de las claves del tema 1,5 Debate y puesta en común Estudio individual de los contenidos teóricos Sistemas Expertos Probabilísticos TEMA Sistemas Expertos Probabilísticos Modelo Gráfico Probabilístico Redes Causales d-separación Potenciales y Distribuciones de Probabilidad Redes Bayesianas: construcción y uso Debate en grupo sobre el tratamiento de la incertidumbre Grupo Docente Clases magistrales/participativas Exposición de las claves del tema 3,0 Estudio de modelos basados en redes Bayesianas 0,5 Resolución de problemas Estudio individual de los contenidos teóricos Resolución de ejercicios prácticos Resolución de un conjunto de ejercicios prácticos relacionados con el tema 0,5 0,5 Razonamiento en Sistemas Expertos TEMA 3. Razonamiento en Sistemas Expertos Probabilísticos: Inferencia Exacta en Redes Bayesianas Propagación de Evidencia Métodos de Inferencia Exacta Propagación en Poliárboles Propagación en Redes Múltiplemente Conexas Método de Condicionamiento Propagación en Árboles de Aglomerados Grupo Docente Clases magistrales/participativas Exposición de las claves del tema 7,0 de aplicación de distintos métodos de inferencia exacta Resolución de problemas Resolución de problemas relacionados con el tema 0,5 Estudio individual de los contenidos teóricos Resolución de ejercicios relacionados con el tema 0,5 TEMA 4. Razonamiento en Sistemas Expertos Probabilísticos: Inferencia Aproximada y Toma de Decisiones Métodos de inferencia aproximada basados en Métodos Monte-Carlo Markov Chain Monte-Carlo Muestreo por importancia Métodos deterministas de inferencia aproximada Árboles de Probabilidad Propagación Penniless

5 3. Toma de decisiones Diagramas de Influencia Evaluación de Diagramas de Influencia Grupo Docente Clases magistrales/participativas Exposición de las claves del tema 6,0 de aplicación de los distintos algoritmos de inferencia aproximados Resolución de problemas Resolución de problemas relacionados con el tema 1,0 Estudio individual de contenidos teóricos Resolución de problemas relacionados con el tema 1,0 TEMA 5. Razonamiento en Sistemas Expertos: Razonamiento Temporal Grupo Docente Clases magistrales/participativas Exposición de las claves del tema 11,0 Estudio de caso de aplicación de distintos algoritmos para el razonamiento temporal Resolución de problemas Resolución de problemas relacionados con el tema 2,0 Estudio individual de los contenidos tóricos Resolución de un conjunto de ejercicios relacionados con el tema 2,0 El entorno Elvira TEMA 6. El Entorno Elvira 3. Estudio de la API El interfaz gráfico Ejemplos de uso Grupo Docente Clases magistrales/participativas Exposición de los aspectos clave 1,0 Estudio de los contenidos teóricos Estudio de los casos prácticos Presentación y discusión de casos prácticos sobre el entorno Elvira 2,0 El Entorno Restric TEMA 7. El Entorno Restric Grupo Docente Clases magistrales/participativas Exposición de las claves del tema 1,0 Estudio individual de los contenidos teóricos Estudio de los casos prácticos Presentación y discusión de casos prácticos sobre el entorno Restric 2,0 Aplicaciones comerciales basadas en Sistemas Expertos TEMA 8. Aplicaciones Comerciales Grupo Docente Clases magistrales/participativas Exposición de los aspectos claves del tema. 1,0

6 Discusión de casos prácticos 1,0 Estudio de los casos prácticos

7 PROCEDIMIENTO DE EVALUACIÓN DE LAS COMPETENCIAS Criterios de Evaluación Criterio 1: Representar información imprecisa o incierta haciendo uso de las técnicas estudiadas. Capacidad para aprender a trabajar de forma autónoma Criterio 2: Explicar la solución obtenida al aplicar técnicas de inferencia probabilística. Capacidad para aprender a trabajar de forma autónoma Conocimiento y uso de técnicas informáticas avanzadas para la investigación y el análisis Criterio 3: Explicar la solución obtenida al aplicar técnicas de inferencia para información temporal. Capacidad para aprender a trabajar de forma autónoma Conocimiento y uso de técnicas informáticas avanzadas para la investigación y el análisis. Criterio 4: Grado de autonomía y originalicad en la realización adecuada de problemas prácticos propuestos individualmente. Capacidad para aprender a trabajar de forma autónoma Criterio 5: Configurar, documentar y exponer de forma adecuada un trabajo monográfico, técnico o las soluciones aportadas ante los proyectos propuestos. Capacidad para aprender a trabajar de forma autónoma Habilidades de gestión de la información Porcentajes de Evaluación de las Actividades a realizar por los alumnos Actividad (Nº horas) Porcentaje Gran Grupo ( 0 ) 0 % I. ACTIVIDADES DEL ESTUDIANTE (Presenciales / Online) Grupo Docente ( 32 ) 21 % ( 13 ) 9 % II. ACTIVIDADES NO PRESENCIALES DEL ESTUDIANTE (Trabajo autónomo) ( Trabajo en grupo, Trabajo individual ) (105) 70 % Instrumentos de Evaluación Otros: Para evaluar el grado de desarrollo de competencias alcanzado por el alumno a lo largo del curso se realizarán: C1: Relaciones de ejercicios por temas. C2: Un trabajo monográfico de revisión (individual ó por grupos) C3: La observación (recogida sistemática de información en el contexto del aprendizaje) y participación en clase. Cada uno de los criterios anteriores se evaluarán entre 0 y 10 puntos, obteniéndose la calificación del alumno al aplicar la ecuación siguiente: Calificación = C1 * C2 * C3 * 0.2 Mecanismos de seguimiento

8 Asistencia y participación en seminarios Alta y acceso al aula virtual Entrega de actividades en aula virtual

9 BIBLIOGRAFÍA Bibliografía recomendada Bayesian networks and decision graphs (Finn V. Jensen, Thomas Nielsen) - Bibliografía básica Bayesian Networks and Influence Diagrams: A Guide to Construction and Analysis ( Uffe B. Kjaerulff, Anders L. Madsen ) - Bibliografía básica Handbook of temporal reasoning in artificial intelligence [Recurso electrónico] (edited by M. Fisher, D. Gabbay, L. Vila.) - Bibliografía básica Learning bayesian networks (Richard E. Neapolitan) - Bibliografía básica Probabilistic Graphical Models: Principles and Techniques (Daphne Koller, Nir Friedman) - Bibliografía básica Bibliografía existente en el Sistema de Información de la Biblioteca de la UAL Puede ver la bibliografía existente en la actualidad en el Sistema de Gestión de Biblioteca consultando en la siguiente dirección: DIRECCIONES WEB