Guia docente
DATOS IDENTIFICATIVOS 2024_25
Asignatura SISTEMAS INTELIGENTES AVANZADOS Código 00717024
Enseñanza
0717 - GRADO INGENIERÍA DATOS INTELIGENCIA ARTIFICIAL
Descriptores Cr.totales Tipo Curso Semestre
6 Obligatoria Tercero Primero
Idioma
Prerrequisitos
Departamento ING.MECANICA,INFORMAT.AEROESP.
Responsable
RODRÍGUEZ DE SOTO , ADOLFO
Correo-e arods@unileon.es
cferll@unileon.es
Profesores/as
FERNÁNDEZ LLAMAS , CAMINO
RODRÍGUEZ DE SOTO , ADOLFO
Web http://agora.unileon.es
Descripción general El objetivo de la asignatura es dar una visión amplia y profunda de las técnicas y métodos propios de Inteligencia Artificial sin cubrir teóricamente, aunque usándolo, el aprendizaje automático.
Tribunales de Revisión
Tribunal titular
Cargo Departamento Profesor
Presidente ING.MECANICA,INFORMAT.AEROESP. RODRIGUEZ LERA , FRANCISCO JAVIER
Secretario ING.MECANICA,INFORMAT.AEROESP. MATELLAN OLIVERA , VICENTE
Vocal ING.MECANICA,INFORMAT.AEROESP. SANCHEZ GONZALEZ , LIDIA
Tribunal suplente
Cargo Departamento Profesor
Presidente CONDE GONZALEZ , MIGUEL ANGEL
Secretario ING.MECANICA,INFORMAT.AEROESP. FERNANDEZ DIAZ , RAMON ANGEL
Vocal FERNANDEZ ROBLES , LAURA

Competencias
Código  
A18964 717CE10 Capacidad para comprender, seleccionar y aplicar las técnicas y herramientas de aprendizaje automático más adecuadas que permitan transformar los datos en conocimiento, para la resolución de un problema.
A18966 717CE12 Capacidad para aplicar los principios fundamentales, métodos y técnicas básicas de la ciencia de datos y la inteligencia artificial para su aplicación práctica a un problema o dominio concreto.
A18968 717CE14 Capacidad para comprender, seleccionar y aplicar las técnicas y herramientas de aprendizaje profundo y sistemas inteligentes avanzados para la resolución de un problema, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos.
B5800 0717CG1 Conocimiento de materias básicas científicas y técnicas que capaciten para el aprendizaje de nuevos métodos y tecnologías, así como que le dote de una gran versatilidad para adaptarse a nuevas situaciones.
B5801 0717CG2 Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados.
B5805 0717CG6 Capacidad para liderar proyectos propios de la ciencia e ingeniería de datos y de la inteligencia artificial en distintos ámbitos de aplicación, determinando los objetivos, prioridades, métodos, planificación y controles.
B5806 0717CT1 Capacidad para el análisis, síntesis, resolución de problemas y la toma de decisiones.
B5807 0717CT2 Capacidad para la interpretación de resultados con iniciativa, creatividad y razonamiento crítico y autocrítico.
C2 CMECES2 Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
C5 CMECES5 Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Resultados de aprendizaje
Resultados Competencias
Conoce y aplica distintos algoritmos bioinspirados y otras heurísticas basadas en técnicas con incertidumbre para la resolución de problemas de existencia y optimización en grandes espacios de búsqueda. A18966
 B5800
B5801
B5805
B5806
B5807
 C2
C5
Conoce y aplica varios métodos gráficos probabilísticos y los métodos de aprendizaje automático asociados A18964
A18966
A18968
 B5800
B5801
B5805
B5806
B5807
 C2
C5
Conoce y aplica sistemas de representación del conocimiento y sistemas de razonamiento bajo diversos métodos de representación de la incertidumbre y para la extracción de conocimiento a partir de grandes cantidades de datos A18964
A18966
A18968
 B5800
B5801
B5805
B5806
B5807
 C2
C5
Conoce y aplica métodos de aprendizaje automático basados en modelos probabilísticos. A18964
A18966
A18968
 B5800
B5801
B5805
B5806
B5807
 C2
C5
Conoce, aplica y realiza sistemas inteligentes basados en conjuntos fuzzy y los métodos de aprendizaje automático asociados a estas técnicas. A18964
A18966
A18968
 B5800
B5801
B5805
B5806
B5807
 C2
C5

Contenidos
Bloque Tema
Bloque 1. Introducción Tema 1. ¿Qué es Inteligencia Artificial?
Tema 2. Historia de la Inteligencia Artificial
Tema 3. La mente, el cerebro y la inteligencia
Tema 4. Incertidumbre e Inteligencia Artificial
Bloque 2. Técnicas de Búsqueda en IA. Tema 5. Búsqueda clásica.
Tema 6. Búsquedas locales.
Tema 7. Búsqueda con metaheurísticas.
Tema 8. Búsquedas complejas.
Bloque 3. Modelos probabilísticos. Tema 9. Modelos gráficos probabilísticos. Redes bayesianas.
Tema 10. Aprendizaje y Redes Bayesianas.
Tema 11. Modelos de Markov.
Tema 12. Aprendizaje por refuerzo.
Bloque 4. Incertidumbre y Conocimiento. Tema 13. Aprendiendo Modelos probabilísticos.
Tema 14. Aprendizaje por refuerzo.
Tema 15. Teoría de la decisión clásica.
Tema 16. Decisión con incertidumbre.
Bloque 5. Sistemas fuzzy. Tema 17. Teoría de conjuntos fuzzy.
Tema 18. Sistemas de reglas fuzzy.
Tema 19. Aprendizaje sistemas fuzzy.
Bloque 6. Conclusiones. Tema 20. IA vs Aprendizaje Automático. Ingeniería de los datos.
Tema 21. Futuro de la IA

Planificación
Metodologías  ::  Pruebas
  Horas en clase Horas fuera de clase Horas totales
Prácticas en laboratorios 24 12 36
 
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) 6 24 30
Trabajos 0 40 40
 
Sesión Magistral 28 14 42
 
Pruebas objetivas de tipo test 0.5 0 0.5
Pruebas prácticas 1.5 0 1.5
 
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologí­as
Metodologías   ::  
  descripción
Prácticas en laboratorios Realización de ejercicios prácticos en ordenador en el laboratorio basados en los conocimientos impartidos en las clases magistrales y con la asistencia, orientación y supervisión del trabajo del alumno por parte del profesor.
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) Realización individual de tareas de programación dirigidas por el profesor y resueltas una vez hayan sido entregadas. En la asignatura se denominan Ejercicios de Programación.
Trabajos Realización de trabajos de programación de forma individual o en grupos pequeños sin asistencia del profesor y con evaluación presencial a través de modificaciones posteriores. En la asignatura se denominan Prácticas de Programación
Sesión Magistral Clases teóricas en las que el profesor introduce los conceptos, lenguajes y métodos en forma de lección magistral, pero requiriendo la participación activa del alumno mediante la elaboración de preguntas.

Tutorías
 
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL)
Trabajos
descripción
Asistencia y apoyo para la resolución de dudas sobre la realización de los ejercicios y trabajos de programación.

Evaluación
  descripción calificación
Prácticas en laboratorios Realización y entrega de las prácticas de programación realizadas durante las clases de prácticas de laboratorio. La mayor parte del trabajo se realizará con el profesor en las clases de laboratorio, pero también pueden requerir que se completen por parte del alumno. 5%
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) Se denominan Ejercicios de Programación. Realización y entrega online de problemas de programación evaluados mayoritariamente de forma automática y resueltos posteriormente por el profesor en el aula. 20%
Trabajos Se denominarán Prácticas de Programación. Consistirán en 2 prácticas de programación por parte del alumno sin la asistencia continua del profesor. Se realizan de forma individual o en grupos pequeños. Se evalúan mediante la puntuación obtenida en la entrega junto con la defensa de las mismas a través del examen final en el que el alumno deberá modificar su entrega según las especificaciones indicadas en el examen y sin asistencia documental ni conexión a internet. 40%
Pruebas objetivas de tipo test Cuestionarios tipo test sobre el material impartido en las clases teóricos y sobre las lecturas obligatorias a realizar sobre el curso y realizados sin asistencia documental ni conexión a internet.
Se calculará la media de la nota de todos los tests que se realicen. 		30%
Otros El profesor asignará un 5% de la nota final en función de la participación del alumno en las distintas actividades de la asignatura: asistencia, participación y comportamiento respetuoso en las clases presenciales, participación en las herramientas online, motivación por la asignatura, y otras. 5%
 
Otros comentarios y segunda convocatoria

Los trabajos presentados podrán ser revisados con un programa informático antiplagio que podrá realizar comprobaciones entre los trabajos entregados de los alumnos de la convocatoria actual y anteriores y contra fuentes externas. Durante las pruebas de evaluación no será posible la utilización de recursos electrónicos (calculadoras, tablets, teléfonos, ordenadores, etc), ni de conexiones a internet excepto para aquellas pruebas que bajo indicación expresa del profesor requieran el uso de alguno de estos recursos. En caso de producirse alguna irregularidad durante la celebración del examen o prueba de evaluación correspondiente se procederá a la retirada inmediata del examen, expulsión del alumno y calificación como suspenso. En cualquier caso se atenderá a lo establecido en la normativa interna de la ULe incluida en el documento "Pautas de actuación en los supuestos de plagio, copia o fraude en exámenes o pruebas de evaluación" (Aprobado Comisión Permanente del Consejo de Gobierno 29/01/2015).

En el caso de la asignatura de Programación II, cada trabajo de programación a realizar individualmente por cada alumno y que se entregue online (Pruebas Prácticas, denominadas en la asignatura Ejercicios de Programación, y Trabajos, denominados Prácticas de Programación) se le someterá a tres algoritmos de control de plagio sobre el conjunto de trabajos entregados y en caso de superar en cualquiera de ellos un porcentaje de semejanza mayor al 95% se emitirá un primer aviso a cada uno de los alumnos del grupo de plagio. Cuando se produzca un segundo aviso se procederá a la anulación de la entrega y cada alumno en este caso tendrá que realizar alguna prueba específica adicional e individual.
En la segunda convocatoria de la asignatura se conservarán las notas obtenidas en la primera convocatoria en cada uno de los apartados de Evaluación descritos. El alumno podrá entregar y presentarse a los distintos apartados de evaluación (exceptuando las Prácticas de Laboratorio y los Ejercicios de Programación) para intentar mejorar su nota final. En la segunda convocatoria ordinaria solo se podrá alcanzar el 80% de la calificación máxima asignada a la asignatura.

Fuentes de información
Acceso a la Lista de lecturas de la asignatura

Básica Stuart Russell; Peter Norvig, Artificial Intelligence. A Modern Approach, Pearson, 2021 4ª Edición

Complementaria


Recomendaciones


Asignaturas que se recomienda haber cursado previamente
MATEMÁTICA FINITA I / 00717002
PROGRAMACIÓN / 00717005
ESTRUCTURAS DE DATOS / 00717009
CÁLCULO DE PROBABILIDAD / 00717012
APRENDIZAJE AUTOMÁTICO / 00717014