Identifying Data 2023/24
Subject (*) Knowledge Representation and Reasoning Code 614G03020
Study programme
Grao en Intelixencia Artificial
Descriptors Cycle Period Year Type Credits
Graduate 2nd four-month period
 Second Obligatory 6
Language
Spanish
Galician
English
Teaching method Face-to-face
Prerequisites
Department Ciencias da Computación e Tecnoloxías da Información
Coordinador
Cabalar Fernandez, Jose Pedro
 E-mail
pedro.cabalar@udc.es
Lecturers
Cabalar Fernandez, Jose Pedro
Morán Fernández, Laura
Moret Bonillo, Vicente
 E-mail
pedro.cabalar@udc.es
laura.moranf@udc.es
vicente.moret@udc.es
Web
General description La asignatura de Representación del Conocimiento y Razonamiento aborda de forma rigurosa aspectos fundamentales y avanzados de la representación del conocimiento y el razonamiento en inteligencia artificial. Estos aspectos incluyen: representación lógica del conocimiento, razonamiento lógico, razonamiento categórico y estadístico, métodos cuasi-estadísticos, y métodos difusos.

Study programme competencies
Code Study programme competences
A13 Capacidad para modelar y diseñar sistemas basados en representación del conocimiento y razonamiento lógico o aproximado y aplicarlas a diferentes dominios y problemas, también en contextos de incertidumbre.
A14 Conocer las tecnologías semánticas para el almacenamiento y acceso de grafos de conocimiento y su uso en la resolución de los problemas.
B2 Que el alumnado sepa aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posea 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.
B4 Que el alumnado pueda transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
B5 Que el alumnado haya desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
B7 Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad.
B8 Capacidad para diseñar y crear modelos y soluciones de calidad basadas en Inteligencia Artificial que sean eficientes, robustas, transparentes y responsables.
B9 Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.
B10 Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial.
C3 Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.

Learning aims
Learning outcomes Study programme competences
Conocer las técnicas de adquisición de conocimiento y las diferentes técnicas en las que se puede representar A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3
Conocer y saber representar conocimiento usando reglas de producción A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3
Saber diseñar e implementar sistemas basados en conocimiento como uno de los pilares en los que se fundamenta la representación de conocimiento A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3
Diseñar, construir y reutilizar ontologías en diferentes dominios de aplicación A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3
Conocer y saber utilizar razonadores basados en lógicas descriptivas y lenguajes de consulta basados en ontologías A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3
Saber construir sistemas basados en grafos de conocimiento y bases de datos semánticas A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3
Analizar un problema y determinar qué técnicas de representación y razonamiento son las más adecuadas A13
A14
 B2
B4
B5
B7
B8
B9
B10
 C3

Contents
Topic Sub-topic
1.Cuestións Preliminares 1.1. Introducción á Representación do Coñecemento
1.2.Razoamento Automático
2.Representacións Formáis do Coñecemento 2.1. Representación e Razoamento Proposicional
2.2. Representación e Razoamento Relacional
2.3. Cálculo de Predicados
3. Razoamento Categórico e Corrección Bayesiana 3.1.Elementos do Razoamento Categórico
3.2.Base Lóxica Expandida e Base Lóxica Reducida
3.3.Razoamento Diferencial Categórico
3.4.Corrección Bayesiana ao Razoamento Categórico
3.5.Probabilidades Condicionais
3.6.Inconvenientes da Corrección Bayesiana
4.Redes de Crenza 4.1.Introdución á Teoría de Grafos
4.2.Representación do Coñecemento en Redes de Crenza.
4.3.Inferencia con Redes de Crenza
4.4.Aprendizaxe e redes de crenza
5.Razoamento Cuasi-Estatístico 5.1.Factores de Certidumbre
5.2.Combinación de Evidencias
5.3.Propagación de Incerteza
5.4.Teoría Evidencial
5.5.Marco de Discernimiento
5.6.Medidas de verosimilitud
5.7.Credibilidade, Plausibilidad e Confianza
6.Razoamento Difuso 6.1.Conxuntos Difusos
6.2.Representación do Coñecemento Difuso
6.3.Inferencia e Razoamento Difusos
6.4.Control Difuso.

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Mixed objective/subjective test A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 2 8 10
Directed discussion A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 2 4 6
Laboratory practice A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 14 20 34
Workshop A14 A13 B2 B4 B5 B7 B8 B9 B10 C3 2 4 6
Problem solving A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 3 3 6
Supervised projects A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 6 20 26
Guest lecture / keynote speech A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 30 30 60
 
Personalized attention 2 0 2
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
Mixed objective/subjective test Proba escrita sobre os contidos da materia.
Directed discussion Selección de temas de interese, formulación en clase e desenvolvemento coa tutela do profesor
Laboratory practice As probas prácticas consistirán no desenrolo no laboratorio de exercicios de Representación e Razoamento.
Workshop Eventualmente, se así o suxire o desenvolvemento da docencia, poderán proporse
Problem solving Resolución de problemas da materia. Este recurso suporá a partiicipación e colaboración do estudante
Supervised projects Análise conxunta e en equipo de supostos prácticos
Guest lecture / keynote speech Espérase participación colaborativa do estudante. Os temas tratados serán sometidos a discusión co alumnado. Esta circunstancia poderá ser tida en conta á hora de avaliar ao alumno. Poderá requirirse que o alumno, en cada tema, que o alumno dispoña duns coñecementos básicos. Para iso, toda a información básica estará accesible en Moodle.

Personalized attention
Methodologies
Laboratory practice
Workshop
Problem solving
Supervised projects
Directed discussion
Guest lecture / keynote speech
Description
Resolución por parte dos profesores da materia, das dúbidas e cuestións expostas polos estudantes.


Supervisión e asistencia na realización das prácticas expostas.



Segundo calendario e materia xa tratada, realizaranse seminarios interactivos.


Resolución en lousa de supostos prácticos con problemas reais fomentando a interdisciplinariedad.

É tradición nesta materia a realización en equipo de traballos tutelados.

Casos especiais, minusvalías, tempo parcial, terán tratamento adaptado.

Assessment
Methodologies Competencies Description Qualification
Laboratory practice A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 Puntuación máxima = 50 50
Workshop A14 A13 B2 B4 B5 B7 B8 B9 B10 C3 Eventual realización de talleres e seminarios. 1
Problem solving A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 Resolución participativa e colaborativa de problemas da asignatura 3
Supervised projects A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 Traballos da asignatura 5
Mixed objective/subjective test A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 Exame escrito da materia.

Atención: para aprobar a asignatura é obrigatorio a realización do exame escrito. A non presentación ao exame implica unha calificación global de NON PRESENTADO 		40
Directed discussion A13 A14 B2 B4 B5 B7 B8 B9 B10 C3 Discusión de temas plantexados en clase 1
 
Assessment comments
IMPORTANTE: Los alumnos matriculados a tiempo parcial, o con algún tipo
de limitación, podrán recibir -si así lo desean, y previa justificación-
tratamiento diferenciado, según sus posibilidades, consistente en la
realización de trabajos tutelados. En este contexto, el Moodle de la
asignatura incluye gran cantidad de material docente y pruebas de
autoevaluación.

Los estudiantes matriculados a tiempo parcial también tendrán la oportunidad
de ser evaluados mediante un examen escrito, genérico, que podrá
contemplar cualquier aspecto de la materia impartida en la asignatura.
En este caso, la nota será la obtenida en el examen.

Sources of information
Basic

Complementary Martin Gebser, Roland Kaminski, Benjamin Kaufmann, and Torsten Schaub (2012). Answer Set Solving in Practice. Morgan and Claypool Publishers
Palma, Marín, eds. (2008). Inteligencia Artificial: Métodos, Técnicas y Aplicaciones. McGraw Hill
Russell, Norvig (2004). Inteligencia Artificial: Un enfoque moderno. Pearson, Prentice Hall
Chitta Baral (2003). Knowledge Representation, Reasoning and Declarative Problem Solving. Cambridge University Press
Yulia Kahl, Michael Gelfond (2014). Knowledge Representation, Reasoning, and the Design of Intelligent Agents: The Answer-Set Programming Approach. Cambridge University Press
Castillo, Gutiérrez, Hadi (2009). Sistemas Expertos y Modelos de Redes Probabilísticas. Monografías Academia Ingeniería


Recommendations
Subjects that it is recommended to have taken before
Discrete Mathematics/614G03003
Algebra/614G03001
Logic/614G03016

Subjects that are recommended to be taken simultaneously
Basic Algorithms of Artificial Intelligence/614G03019
Automata and Formal Languages/614G03017

Subjects that continue the syllabus

Other comments


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.