Nombre: INTRODUCCIÓN A LA CIENCIA DE DATOS EN LA INTELIGENCIA ARTIFICIAL
Código: 525101010
Carácter: Básica
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Segundo cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: PASCUAL GARCÍA, JUAN
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968326549
Correo electrónico: juan.pascual@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 3
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
Nombre y apellidos: CAÑETE REBENAQUE, DAVID
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968338865
Correo electrónico: david.canete@upct.es
Horario de atención y ubicación durante las tutorias:
lunes - 09:00 / 13:00
ANTIGONES, planta 1, Despacho 29
Concertar previamente por mail
lunes - 17:00 / 19:00
ANTIGONES, planta 1, Despacho 29
Concertar previamente por mail
Titulaciones:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 3
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
[CB1 ]. Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio
[CB3 ]. Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
[CG3 ]. Capacidad para desarrollar experimentos y para implementar sistemas, infraestructuras, procesos y herramientas con el fin de soportar la manipulación de los datos durante todo el ciclo de vida de estos.
[CG5 ]. Conocer, desarrollar e implementar estrategias de gestión de datos con el fin de realizar su recolección, almacenamiento, preservación y disponibilidad para posteriores procesamientos.
[CE18 ]. Aplicar los principios de la inteligencia artificial a la resolución de problemas en ciencia de datos.
[CE20 ]. Entender el papel de la Inteligencia Artificial en el análisis de datos y cómo la combinación de enfoques de conocimiento estructurado mediante modelos de información y los enfoques cuantitativos y cualitativos en el análisis de datos se pueden usar en el abordaje del análisis de datos complejo en todo el ciclo de vida de los datos.
[CE21 ]. Identificar los aspectos éticos derivados de la aplicación de inteligencia artificial en análisis de datos y toma de decisiones basadas en datos.
Conocer, identificar y manejar los conceptos de Inteligencia Artificial, Machine Learning, y cómo se encuadran dentro del perfil del científico de datos.
Ilustrar ideas destacadas para resolver problemas complejos.
Elegir hechos observables de un estudio existente para una mejor comprensión.
Conocer y entender aspectos básicos de la Inteligencia Artificial complementaria al machine learning.
Inteligencia artificial y ciencia e ingeniería de datos.<br> Origen y evolución del Machine Learning.<br> Descripción del perfil de un científico de datos.<br> Ámbitos de la ciencia e ingeniería de datos.<br> Ejemplos de aplicación por ámbitos y sectores.<br> Aspectos éticos de la IA para la ciencia de datos. Toma de decisiones éticas.<br> Representación del conocimiento y técnicas de razonamiento.<br> Técnicas de búsqueda.
TEMA 1. Bloque I: Principios de la Inteligencia Artificial
Objetivo de la IA, evolución, paradigmas, tareas inteligentes, agentes.
TEMA 2. Bloque II: Principios de la Ciencia de Datos para la IA.
Objetivo y relación con IA, tarea aprendizaje, pipeline básico de CD.
TEMA 3. Bloque III: Conocimiento: descubrimiento, modelado y razonamiento.
Representación, lógica y sist. de reglas, extracción conocimiento, agentes lógicos
TEMA 4. Bloque IV: Técnicas de Búsqueda.
Modelado problemas, búsquedas y tipos.
TEMA 5. Bloque V: Aspectos profesionales, éticos y legales de Ciencia de Datos para la IA.
Aspectos profesionales, éticos y legales de Ciencia de Datos para la IA
Práctica 1. Estudio de herramientas y tecnologías de la IA y la ciencia de datos: Relacionada con los contenidos del Tema 2.
Introducir librería programación en IA (Python) y plataforma software para ML.
Práctica 2. Resolución de problemas utilizando distintos paradigmas de la IA: Relacionada con los contenidos Tema 2,Tema 3 y Tema 4
Plantear problemas sencillos (e.j. juegos) y desarrollar un agente IA capaz de resolverlos a través de conocimiento experto, datos y heurísticas de búsqueda.
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual, y en el que encontraras instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
Lesson I: Artificial intelligence principles.
IA goals, evolution, paradigms, intelligence tasks, agents.
Lesson 2: Principles of data science for the AI.
Goal and relation with AI, learning task, basic pipeline of data science.
Lesson 3. Knowledge: discover, modelling and reasoning.
Logic representation, logic, and rules systems, knowledge extraction, logic agents.
Lesson 4: Searching techniques.
Problem modelling, searching and problem types.
Lesson 5: Professional, ethical and legal aspects of Data Science for AI.
Professional, ethical and legal aspects of Data Science for AI.
Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor. También se contemplan las sesiones informativas sobre el desarrollo del trabajo de fin de grado o prácticas externas.
Presentación de conceptos propios de la materia haciendo uso del material puesto a disposición por el profesor. Clase de teoría tipo magistral.
20
100
Seminarios y actividades de aula: Exposición, análisis y debate dentro del contexto de aplicaciones específicas de contenidos teóricos, así como planteamiento y resolución de ejercicios y casos prácticos en el aula, tanto al grupo completo como en grupos reducidos. También se contemplan conferencias, debates y seminarios temáticos.
Se presentarán ejemplos y ejercicios, buscando la participación activa del alumnado.
5
100
Prácticas de laboratorio: Ejercicios y resolución de problemas, aprendizaje orientado a proyectos, estudio de casos, exposición y discusión de trabajos, simulaciones y/o prácticas con ordenadores, generalmente desarrolladas en grupos reducidos.
Asistencia y realización de prácticas de laboratorio.
28
100
Trabajo autónomo del alumno: Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, búsquedas de información, sistematización de contenidos, elaboración de informes o estudio para la elaboración de casos entre otras actividades.
Trabajo del alumno fuera del aula y del laboratorio. Estudio de los contenidos impartidos en clase, realización de tareas de carácter práctico indicadas en las clases de prácticas del laboratorio.
90
0
Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor.
Tutorías formativas y resolución de dudas.
3
100
Evaluación: Pruebas individuales, ya sean escritas, orales o con medios informáticos, donde el estudiante demostrará los conocimientos teóricos y prácticos adquiridos durante las actividades formativas asociadas a la enseñanza de la materia.
Realización de exámenes y pruebas de evaluación.
4
100
Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.
Examen de Teoría.- Prueba de evaluación global de carácter obligatorio consistente en un examen que evalúe los contenidos teóricos de la materia. El examen consistirá en preguntas mixtas de desarrollo corto y/o tipo test, preguntas de demostración de relaciones entre conceptos/propiedades, y ejercicios. Este ítem de evaluación será calificado con un valor entre [0,10], que denotaremos por NT. Para aprobar el examen de teoría se deberá obtener NT mayor o igual a 5.
La calificación NT tendrá un peso del 50% en la calificación final de la asignatura.
Si NT es mayor o igual a 5 y no se ha aprobado la asignatura, esta calificación se mantendrá hasta la última convocatoria de presente curso académico (no se mantendrá la calificación entre convocatorias si NT es menor que 5).
Criterios de evaluación: Se valora la aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones, y/o situaciones planteadas. Se valora la capacidad para expresar y comunicar correctamente, en el marco y con la terminología de la asignatura, los razonamientos, resoluciones, etc. sobre elementos de la asignatura.
50 %
Procedimientos de observación del trabajo del estudiante: Registros de participación, de realización de actividades, cumplimiento de plazos, participación en foros, informes de seguimiento del trabajo fin de grado y registros sobre el desarrollo de las prácticas externas.
0 %
Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.
Se evalúan los entregables solicitados en cada práctica (informes, código fuente, etc.). La nota global del trabajo práctico de laboratorio se calculará como el promedio de las notas de todos los entregables. Este ítem de evaluación de prácticas tendrá un valor entre [0,10], que denotaremos por NP.
Para aprobar el trabajo práctico se deberá obtener NP mayor o igual que 5.
Si NP es mayor o igual a 5 y no se ha aprobado la asignatura, esta calificación se mantendrá hasta la última convocatoria
de presente curso académico (no se mantendrá la calificación entre convocatorias si NP es menor que 5).
Criterios de evaluación: Se valora la capacidad para desarrollar los conocimientos y procedimientos
aprendidos. Se valora la capacidad para desarrollar los documentos e informes correspondientes a los
sistemas y problemas concretos. Los problemas tienen que estar bien resueltos y justificados. El alumno
podrá ser citado y entrevistado para realizar una defensa, oral o escrita, del trabajo presentado. Deberá
demostrar que es capaz de resolver de forma autónoma las cuestiones planteadas o similares.
50 %
Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.
Examen de Teoría.- Prueba de evaluación global de carácter obligatorio consistente en un examen que evalúe los contenidos teóricos de la materia. El examen consistirá en preguntas mixtas de desarrollo corto y/o tipo test, preguntas de demostración de relaciones entre conceptos/propiedades, y ejercicios. Este ítem de evaluación será calificado con un valor entre [0,10], que denotaremos por NT. Para aprobar el examen de teoría se deberá obtener NT mayor o igual a 5.
La calificación NT tendrá un peso del 50% en la calificación final de la asignatura.
Si NT es mayor o igual a 5 y no se ha aprobado la asignatura, esta calificación se mantendrá hasta la última convocatoria de presente curso académico (no se mantendrá la calificación entre convocatorias si NT es menor que 5).
Criterios de evaluación: Se valora la aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones, y/o situaciones planteadas. Se valora la capacidad para expresar y comunicar correctamente, en el marco y con la terminología de la asignatura, los razonamientos, resoluciones, etc. sobre elementos de la asignatura.
50 %
Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.
Se evalúan los entregables solicitados en cada práctica (informes, código fuente, etc.). La nota global del trabajo práctico de laboratorio se calculará como el promedio de las notas de todos los entregables. Este ítem de evaluación de prácticas tendrá un valor entre [0,10], que denotaremos por NP. Para aprobar el trabajo práctico se deberá obtener NP mayor o igual que 5. Si NP es mayor o igual a 5 y no se ha aprobado la asignatura, esta calificación se mantendrá hasta la última convocatoria de presente curso académico (no se mantendrá la calificación entre convocatorias si NP es menor que 5).
Criterios de evaluación: Se valora la capacidad para desarrollar los conocimientos y procedimientos aprendidos. Se valora la capacidad para desarrollar los documentos e informes correspondientes a los sistemas y problemas concretos. Los problemas
tienen que estar bien resueltos y justificados. El alumno podrá ser citado y entrevistado para realizar una defensa, oral o escrita, del trabajo presentado. Deberá demostrar que es capaz de resolver de forma autónoma las cuestiones planteadas o similares.
50 %
Evaluación de la asignatura
Obtendrá la calificación de "Aprobado" una vez haya superado la teoría y las practicas NT mayor o igual a 5 y NP mayor o igual a 5. La evaluación de la asignatura (denominada EVAL) se calculará como EVAL = (NT + NP)/2.
Se considerará que un estudiante no se ha presentado a una de las partes de la asignatura (teoría o prácticas) si no ha entregado ninguna evidencia evaluable. En el caso de teoría el examen de teoría y en el examen de prácticas cualquiera de los entregables. Si el estudiante presenta una evidencia evaluable, se considerará que se ha presentado para dicha parte. Por ejemplo, se considerará presentado en la parte de prácticas si ha entregado un solo entregable, considerando el resto de entregables con una calificación de 0. Obtendrá la calificación de "Suspenso" en el caso de suspender la parte teórica y/o la parte práctica (asignándole la nota min(4, (NT+NP)/2) entendiendo que si una de las partes no se ha presentado su calificación es 0).
Obtendrá la calificación de "No Presentado", en el resto de casos no contemplados anteriormente. Por ejemplo, superar la teoría con NT mayor o igual a 5 y no presentar las prácticas, superar las prácticas con NP mayor o igual a 5 y no presentarse al examen de teoría.
Autor: Stuart J. Russell y Peter Norvig
Título: Artificial Intelligence: a Modern Approach
Editorial: Pearson
Fecha Publicación:
ISBN:
Autor: José Tomás Palma Méndez y Roque Marín Morales
Título: Inteligencia artificial. Técnicas, métodos y aplicaciones
Editorial: McGraw-Hill
Fecha Publicación:
ISBN: