Datos Identificativos 2022/23
Asignatura (*) Razoamento e Planificación Código 614544003
Titulación
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 1º cuadrimestre
Primeiro Obrigatoria 6
Idioma
Inglés
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinación
Cabalar Fernandez, Jose Pedro
Correo electrónico
pedro.cabalar@udc.es
Profesorado
Cabalar Fernandez, Jose Pedro
Moret Bonillo, Vicente
Correo electrónico
pedro.cabalar@udc.es
vicente.moret@udc.es
Web
Descrición xeral

Competencias do título
Código Competencias / Resultados do título

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias / Resultados do título
Conocer los conceptos fundamentales del cálculo de predicados AM5
AM6
AM7
AM8
BM1
BM3
BM6
BM7
BM8
BM9
CM2
CM3
CM4
CM7
CM8
Conocer y comprender los conceptos de imprecisión e incertidumbre frente al de certeza AM5
AM6
AM7
AM8
BM1
BM3
BM6
BM7
BM8
BM9
CM2
CM3
CM5
CM8
Conocer los principales modelos de razonamiento impreciso y para valorar su adecuación a la resolución de problemas en el ámbito de la Inteligencia Artificial AM5
AM6
AM7
AM8
BM1
BM2
BM3
BM6
BM7
BM8
BM9
CM2
CM3
CM4
CM5
CM6
CM7
CM8
Conocer y saber modelar y resolver problemas básicos de planificación AM5
AM6
AM7
AM8
BM1
BM2
BM3
BM6
BM7
BM8
BM9
CM2
CM3
CM4
CM5
CM7
CM8

Contidos
Temas Subtemas
Representación del conocimiento Representación del conocimiento.
Lógica formal Lógica Formal y pensamiento humano
Razonamiento automático Modelos y técnicas para el razonamiento Automático
Incertidumbre Paradigmas para el razonamiento impreciso y con incertidumbre
Planificación Modelos de planificación y planificación con incertidumbre

Planificación
Metodoloxías / probas Competencias / Resultados Horas lectivas (presenciais e virtuais) Horas traballo autónomo Horas totais
Sesión maxistral A6 A7 A8 A9 B2 B3 B6 B8 B9 C2 C6 21 42 63
Proba obxectiva A6 A7 A8 A9 B3 B6 B7 B8 B9 C2 3 21 24
Prácticas de laboratorio A6 A7 A8 A9 B1 B2 B3 B7 B8 C3 C4 C5 C6 C7 C8 21 42 63
 
Atención personalizada 0 0
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral Clases de fundamentos impartidas polo profesor e combinadas con pequenos exercicios non computables na evaluación final
Proba obxectiva Examen individual onde se evalúan os coñecementos e capacidades adquiridas polo alumno, especialmente en comprensión dos fundamentos impartidos nas clases maxistráis
Prácticas de laboratorio Traballo práctico, normalmente en grupos, con ferramentas de razoamento automático e planificación

Atención personalizada
Metodoloxías
Prácticas de laboratorio
Sesión maxistral
Proba obxectiva
Descrición
Tutorías e asistencia remota por correo eletrónico ou plataforma electrónica (Teams, moodle, etc)

Avaliación
Metodoloxías Competencias / Resultados Descrición Cualificación
Prácticas de laboratorio A6 A7 A8 A9 B1 B2 B3 B7 B8 C3 C4 C5 C6 C7 C8 Entrega dunha ou varias prácticas 49.5
Sesión maxistral A6 A7 A8 A9 B2 B3 B6 B8 B9 C2 C6 Dependendo da evolución do curso, unha parte do exame podería ser consolidada mediante a entrega de exercicios ao longo das las sesións maxistráis 0.5
Proba obxectiva A6 A7 A8 A9 B3 B6 B7 B8 B9 C2 Un examen individual formado por varios exercicios que serán calificados hata un máximo de 50 puntos.

*Requisito* para aprobar a asignatura, é preciso acadar unha nota mínima de 20 puntos no examen.

Se esa nota mínima non é acadada, a nota final da asignatura será truncada a 4.8 (isto é, 48%) se a suma de todas as calificacións supera ese número.
50
 
Observacións avaliación

Fontes de información
Bibliografía básica

Bibliografía complementaria Vladimir Lifschitz (2019). Answer Set Programming. Springer
Martin Gebser, Roland Kaminski, Benjamin Kaufmann, and Torsten Schaub (2012). Answer Set Solving in Practice. Morgan and Claypool Publishers
Stuart Russell and Peter Norvig (2021). Artificial Intelligence: a Modern Approach (4th ed). Pearson, Prentice Hall
Chitta Baral (2003). Knowledge Representation, Reasoning and Declarative Problem Solving. Cambridge University Press
Michael Gelfond and Yulia Kahl (2014). Knowledge Representation, Reasoning, and the Design of Intelligent Agents: The Answer-Set Programming Approach. Cambridge University Press


Recomendacións
Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente
Fundamentos de IA/614544001

Materias que continúan o temario
IA en Saúde/614544022
Aspectos Computacionais da Ciencia Cognitiva/614544006
Robótica Intelixente II/614544020
Modelado da Linguaxe/614544009
IA Explicable e Confiable/614544004
Sistemas Multiaxente/614544005
Intelixencia Web e Tecnoloxías Semánticas/614544010
Coñecemento e Razoamento con Incerteza/614544007
Minería de Procesos/614544025

Observacións


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías