Asignaturas - Máster universitario en investigación en inteligencia artificial
MÉTODOS SIMBÓLICOS
Curso 2024/2025 Código Asignatura: 3110117-
-
Guía de la Asignatura Curso 2024/2025
- Primeros Pasos
- Presentación y contextualización
- Requisitos y/o recomendaciones para cursar esta asignatura
- Equipo docente
- Horario de atención al estudiante
- Competencias que adquiere el estudiante
- Resultados de aprendizaje
- Contenidos
- Metodología
- Sistema de evaluación
- Bibliografía básica
- Bibliografía complementaria
- Recursos de apoyo y webgrafía
MÉTODOS SIMBÓLICOS
Código Asignatura: 3110117-
PRESENTACIÓN Y CONTEXTUALIZACIÓN
La guía de la asignatura ha sido actualizada con los cambios que aquí se mencionan.
NOMBRE DE LA ASIGNATURA | MÉTODOS SIMBÓLICOS |
CÓDIGO | 3110117- |
CURSO ACADÉMICO | 2024/2025 |
TÍTULOS DE MASTER EN QUE SE IMPARTE |
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
|
TIPO | CONTENIDOS |
Nº ECTS | 6 |
HORAS | 150 |
PERIODO | ANUAL |
IDIOMAS EN QUE SE IMPARTE | CASTELLANO |
El objetivo de esta materia es que el alumno adquiera el concepto de conocimiento explícito, lo asimile correctamente, y conozca los paradigmas de su representación simbólica y sus usos más extendidos, así como de ingeniería de conocimiento y su metodología. Que adquiera destreza en el uso de técnicas de programación simbólicas para la resolución de tareas basadas en el conocimiento de acuerdo a los diferentes paradigmas inferenciales.
Si bien este master está orientado a la investigación, en esta asignatura las actividades de aprendizaje se orientan a adquirir conocimientos y destrezas de técnicas y metodológicas bien asentadas, y se pretende que el alumno se familiarice con ellas de una forma muy práctica, pero también caracterizándolas y diferenciándolas conceptualmente. Posteriormente, el alumno, con esta experiencia, se sitúa en la frontera de investigación de nuevas soluciones a los problemas planteados.
Adquiere competencias que le van a ser útiles en el resto de asignaturas del master en cuanto que facilitan al estudiante la metodología adecuada para el modelado y desarrollo de sistemas inteligentes, así como la integración de diferentes agentes.
Ninguno diferente de los generales de acceso a este Máster orientado a la investigación
Nombre y apellidos | RAFAEL MARTINEZ TOMAS (Coordinador de Asignatura) |
Correo electrónico | rmtomas@dia.uned.es |
Teléfono | 91398-7242 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
Nombre y apellidos | JOSE LUIS FERNANDEZ VINDEL |
Correo electrónico | jlvindel@dia.uned.es |
Teléfono | 91398-7181 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
La sección de foros del curso virtual de la asignatura está pensada para que el alumno puede plantear cualquier duda sobre contenidos de la misma. Es un mecanismo más adecuado que el e-mail para plantear dudas de este tipo, pues esa misma respuesta puede ser de utilidad a otros alumnos.
Existe también un horario de guardia en el que el equipo docente puede atender presencial o telefónicamente al alumno. Dicho horario es el siguiente:
- Horario de Guardias: Martes (lectivos), de 15.00-19.00 hrs.
Se indican a continuación los datos de contacto del equipo docente:
Rafael Martínez Tomás:
- Correo-e: rmtomas@dia.uned.es
- Tfno: +34 91 3987242
- Dpto. de Inteligencia Artificial (Despacho: 3.15)
José Luis Fernández Vindel:
- Correo-e: jlvindel@dia.uned.es
- Tfno: +34 91 3987181
- Dpto. de Inteligencia Artificial (Despacho: 3.11)
E.T.S.I. Informática (UNED)
C/ Juan del Rosal, n. 16
28040 Madrid (España)
Horario de Atención al Estudiante: Martes y Miercoles de 10 a 14 h
COMPETENCIAS BÁSICAS:
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
COMPETENCIAS GENERALES:
CG1 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CG2 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CG3 - Que los estudiantes sepan comunicar sus conclusiones -y los conocimientos y razones últimas que las sustentan- a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CG4 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
COMPETENCIAS ESPECÍFICAS:
CE1 - Conocer los fundamentos de la Inteligencia Artificial y las fronteras actuales en investigación.
CE2 - Conocer un conjunto de métodos y técnicas tanto simbólicas como conexionistas y probabilistas, para resolver problemas propios de la Inteligencia Artificial.
CE3 - Conocer los procedimientos específicos de aplicación de estos métodos a un conjunto relevante de dominio (educación, medicina, ingeniería, sistemas de seguridad y vigilancia, etc.), que representan las áreas más activas de investigación en IA.
- El alumno conoce los objetivos de la IA, sus principales paradigmas, y sus áreas de aplicación más adecuadas.
- El alumno adquiere una visión de conjunto sobre la representación simbólica del conocimiento
- El alumno conoce las características de un sistema basado en reglas, sus campos de aplicación más adecuados y las estrategias propias.
- Sabe desarrollar un SBR, conoce el funcionamiento del sistema y cómo codificar de una forma eficiente .
- Conoce los principales modelos de redes semánticas, cómo se representa el conocimiento y los mecanismos inferenciales asociados.
- Conoce el paradigma de marco en la representación del conocimiento y los mecanismos inferenciales asociados.
- Conoce el paradigma de casos, la estructura de un sistema basado en casos y sus mecanismos inferenciales. Sabe identificar el tipo de problemas adecuado para este tipo de paradigma.
- Conoce los principales mecanismos y estrategias para resolver problemas modelados como "problemas de satisfacción de restricciones".
- Conoce algunos de los sistemas más representativos que integran diferentes paradigmas de representación del conocimiento e inferencia.
- Sabe integrar los diferentes paradigmas para la resolución de problemas.
- Conoce y diferencia los tipos de conocimiento y describir las diferentes capas según el modelo de pericia KADS y el lenguaje CML. Elicitar el conocimiento experto y modelarlo de acuerdo a esta metodología.
- Identifica la lógica como mecanismo formal de representación del conocimiento, particularmente en variantes lógicas que particularizan en aspectos descripctivos, modales, temporales, etc.
- Puede modelar dominios en ontologías, y conoce las implicaciones en la Web, particularmente mediante el estandar OWL y sus características de representación e inferenciales.
Tema 1: Introducción a los SBCs
Objetivos:
Para comenzar a estudiar detenidamente los diferentes métodos inferenciales simbólicos se introduce en este capítulo el concepto de la computación simbólica y se diferencia de la computación conexionista, dos paradigmas que han alternado (y compaginado en menos casos) su importancia en la historia de la IA y se hace, inicialmente, así, con una introducción histórica muy relevante en cuanto que muestra la evolución, dependiente del estado de la ciencia, en unos años de definición de los dos paradigmas. El alumno aprenderá las ventajas y limitaciones que conlleva cada una de ellos, con el fin de que en la construcción de un sistema inteligente pueda escoger la que mejor se adecue al tipo de problema que desea abordar.
1.1 Introducción y perspectiva histórica de la IA y de los SBCs
1.2 Computación simbólica y computación conexionista.
Tema 2. Métodos de representación explícita e inferencia
Objetivos:
Se pretende que el alumno conozca en profundidad los principales paradigmas de representación convencionales, reglas, marcos y redes semánticas, y su uso inferencial. El alumno deberá conocer las ventajas y limitaciones que conllevan y bajo qué condiciones estos sistemas como herramientas para la resolución de problemas.
Se pretende que el alumno tenga una comprensión clara de los fundamentos de los métodos de razonamiento y no sólo de la forma en que se aplican. De este modo, si algún día el alumno va a construir un sistema experto real, estará capacitado para escoger o combinar e integrar diferentes modelos de representación e inferencia.
2.1 Sistemas de producción sobre reglas.
2.2 Métodos sobre redes asociativas: redes semánticas y marcos.
2.3 Integración de tipos de conocimiento y de métodos
Tema 3. Métodos de razonamiento basado en casos
Objetivos:
Se pretende que el alumno conozca en profundidad la tecnología del razonamiento basado en casos, su fundamento y su aplicación. Que se familiarice con su estructura y que conozca varios ejemplos de sistemas basados en casos.
También el alumno conocerá las ventajas e inconvenientes de estos sistemas, bajo que condiciones es adecuada su utilización, cuándo es mejor solución que un sistema experto convencional y en qué condiciones la compatibilidad con éstos mejora los resultados por separado.
3.1 La base de casos
3.2 Ejemplos de sistemas basados en casos
Tema 4. Satisfacción de restricciones (CSP)
Objetivos
El objetivo de este capítulo es que el estudiante conozca el paradigma y los principales mecanismos de resolución de problemas de satisfacción de restricciones. Debe saber modelar pequeños problemas para su resolución con el apoyo de herramientas y lenguajes de formalización.
4.1 Conceptos básicos. Modelado de problemas.
4.2 Técnicas de CSP.
5.3 Extensiones.
Tema 5. Ingeniería del conocimiento
Objetivos:
En este capítulo se pretende que el alumno obtenga una visión lo más realista posible del proceso de construcción de sistemas expertos en una primera aproximación y en particular de la etapa de modelado del conocimiento, como eje metodológico central en la construcción de SBCs. Se trata realmente de comprender la necesidad del modelado conceptual que permita plantearse el desarrollo de estos sistemas con técnicas de producción que cada vez tienen más puntos de encuentro con las utilizadas en la Ingeniería del Software.
Se pretende que el alumno sea capaz de identificar adecuadamente, un problema para determinar cuándo resulta posible, apropiado y justificado construir un sistema experto; que conozca las técnicas de elicitación del conocimiento mediante entrevistas con expertos humanos y que sea capaz de modelar ese conocimiento, recogiendo las ideas sintetizadas sobre la metodología CommonKADS.
La metodología propuesta en el desarrollo de los SBC requiere modelar la estructura que permite solucionar una tarea concreta (clasificación, diagnóstico, diseño, etc.) a partir de un conjunto de métodos específicos ya existentes (organizados en librerías de métodos). El planteamiento metodológico requiere una mayor abstracción con que pueden especificarse los problemas gracias a la utilización de herramientas que incorporan métodos específicos de solucionar problemas.
Tanto el modelado, el diseño y el uso o definición de componentes reutilizables debe acelerar notablemente el desarrollo final del sistema con unas herramientas concretas.
Un objetivo derivado será que el alumno se sienta cómodo y pierda el posible reparo a utilizar herramientas para esta etapa de diseño del modelo de distinta naturaleza. Se pretende que, a través de los ejercicios propuestos, adquiera una cierta seguridad y destreza en su uso.
En definitiva, se desea constatar definitivamente que construir SBCs no consiste en codificar reglas de producción y construir representaciones del conocimiento específicas, sino en un proceso de ensamblaje basado en la reutilización de componentes.
5.1. Fundamentos de la Ingeniería del Conocimiento (Características de los SBCs, evolución y aspectos metodológicos de su desarrollo)
5.2 Adquisición del conocimiento: Elicitación del conocimiento
5.3 Modelado Conceptual.
5.4 Reutilización de componentes. Ontologías.Tareas. Tipos de problemas. Verbos inferenciales. Estructuras para la resolución de tareas.
5.5 Construcción del modelo
5.6 Ejemplos en tareas de diagnóstico y planificación
Tema 6. Lógicas Descriptivas y Ontologías
Objetivos:
El objetivo fundamental de este tema es que el estudiante reconozca las diferentes lógicas que se estudian en este tema como herraientas para la representación del conocimiento y su uso inferencial. Para ello, se estudian diferentes variantes lógicas cada una con una especialización en áreas del conocimiento bien definidas. Se incide especialmente en las lógicas descriptivas y su implicación en la descripción formal de ontologías.
6.1 La representación del conocimiento y las lógicas modales. Familias lógicas: temporales, espaciales y de situaciones.
6.2. Lógicas descriptivas
6.3. Ontologías
6.4. Ingeniería Ontológica
6.5. Introducción a OWL.
6.6. Razonadores
Se fundamente en la metodología general del master. Junto a las actividades y enlaces con fuentes de información externas, existe una guía de estudio que conduce al alumno por la materia y le va indicando las actividades a realizar y con qué material docente. El curso se sigue en la plataforma virtual, de acuerdo a la metodologia de educación a distancia de la UNED. Allí el estudiante encuentra la información necesaria, foros para la comunicación entre estudiantes y el equipo docente, material complementario, plan de trabajo e información de la evaluación.
TIPO DE PRIMERA PRUEBA PRESENCIAL |
|
---|---|
Tipo de examen | |
Tipo de examen | No hay prueba presencial |
TIPO DE SEGUNDA PRUEBA PRESENCIAL |
|
---|---|
Tipo de examen | |
Tipo de examen | No hay prueba presencial |
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS | |
---|---|
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS |
|
Requiere Presencialidad | |
Requiere Presencialidad | No |
Descripción | |
Descripción | Se llevarán a cabo los trabajos (PEC o actividades evaluables) que permitan confirmar los resultados de aprendizaje previstos y cuyos enunciados se publicarán en el curso virtual. |
Criterios de evaluación | |
Criterios de evaluación | Son trabajos evaluables. Se valorará la ejecución correcta de los trabajos de acuerdo a los paradigmas concernidos, los comentarios del software, la redacción de una pequeña memoria de cada práctica con la descripción del trabajo realizado así como otro tipo de comentarios acerca del mismo, problemas encontrados, dificultades, etc. La valoración de los trabajos se mantendrá para la convocatoria de septiembre. |
Ponderación de la prueba presencial y/o los trabajos en la nota final | |
Ponderación de la prueba presencial y/o los trabajos en la nota final | La nota final se obtiene de la suma ponderada de las PEC. |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | 30/06 |
Comentarios y observaciones | |
Comentarios y observaciones |
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) | |
---|---|
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) |
|
¿Hay PEC? | |
¿Hay PEC? | Si,PEC no presencial |
Descripción | |
Descripción | Son actividades no obligatorias pero califcables y colaboran en la nota final. No hay una secuenciación de las entregas predeterminada, pero deben entregarse, eso sí, antes de la fecha límite. Actividad 1: Implementación en Clips de un enunciado planteado por el equipo docente o acordado con el equipo docente. Actividad 2: Resolución de los ejercicios planteados de Satisfacción de Restricciones. Actividad 3: Descripción de la resolución de un problema en razonamiento basado en casos. Actividad 4: Una práctica de modelado y representación sobre Protége de una ontología y resolución del razonador. |
Criterios de evaluación | |
Criterios de evaluación | |
Ponderación de la PEC en la nota final | |
Ponderación de la PEC en la nota final | Actividad 1: 0,35 Actividad 2: 0,20 Actividad 3:0,15 Actividad 4:0,30 |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | 30/06 |
Comentarios y observaciones | |
Comentarios y observaciones |
OTRAS ACTIVIDADES EVALUABLES |
|
---|---|
¿Hay otra/s actividad/es evaluable/s? | |
¿Hay otra/s actividad/es evaluable/s? | No |
Descripción | |
Descripción | |
Criterios de evaluación | |
Criterios de evaluación | |
Ponderación en la nota final | |
Ponderación en la nota final | |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | |
Comentarios y observaciones | |
Comentarios y observaciones |
¿Cómo se obtiene la nota final? |
|
---|---|
La nota final se obtendrá de la media de las actividades evaluables ponderada por la estimación de duración y dificultad de cada una de ellas.
|
ISBN(13): 9788448156183
Título: INTELIGENCIA ARTIFICIAL: TÉCNICAS, MÉTODOS Y APLICACIONES 2008 Autor/es: Marín Morales, Roque;Palma Méndez, José Tomas; Editorial: Mc-Graw Hill |
Este es un libro en español de caracter comprehensivo, que permite una visión global de la Inteligencia Artificial. Esta asignatura se centra en los apartados dedicados a mecanismos simbólicos que no se estudian en otras asignaturas del master y a aspectos metodológicos. El libro servirá en esta asignatura a modo de guía pero los contenidos se completarán con otro material: apuntes, ejercicios, lecturas, etc.
ISBN(13): 9780136042594
Título: ARTIFICIAL INTELLIGENCE: A MODERN APPROACH 3th Autor/es: Peter Norvig;Stuart Russell; Editorial: PEARSON |
ISBN(13): 9781558609327
Título: KNOWLEDGE REPRESENTATION AND REASONING Autor/es: Hector J. Levesque;Ronald J. Brachman; Editorial: MORGAN KAUFMANN PUBLISHERS |
El más interesante y actualizado de los tres seguramente es el de Russell y Norvig. En esencia se puede decir que es un extenso libro que cubre la mayor parte de las áreas de la Inteligencia Artificial con el enfoque de agentes. Bajo esta perspectiva, existen agentes que buscan, aprenden, planifican, entienden el lenguaje natural, etc. y esto les sirve para plantear un tratamiento uniformizado del área.
Una característica diferenciadora de este libro, frente a otros textos relativamente recientes de indudable valor, y que también pretenden dar una visión global del campo de la IA, es que, en general, ofrece una versión más completa de las áreas de mayor interés.
Es interesante mencionar la cantidad de recursos que hay en la red asociados a este texto. Entre los que destacan una página de sitios relevantes de IA y las referencias al software disponible.
El libro de Bachman y Levesque puede ser un complemento perfecto a los contenidos de esta asignatura en los aspectos de fundamentos, particularmente en el razonamiento lógico y en tratamiento de la incertidumbre.
La plataforma de e-learning proporcionará el adecuado interfaz de interacción entre el alumno y sus profesores. La plataforma de e-learning y colaboración permitirá impartir y recibir formación, gestionar y compartir documentos, crear y participar en comunidades temáticas.
En este curso se encontrará material fundamental para el seguimiento del curso, la guía docente así como material docente y enlaces a sitios web donde el alumno encontrará información necesaria actualizada.
Todas las herramientas software para la realización de las prácticas son libres.