| Competencias / Resultados 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 |
| Unit 1. Introduction | - knowledge representation (KR), reasoning about actions - example-based methodology, declarative problem solving - KR goals, elaboration tolerance, STRIPS language - frame problem and inertia, non-monotonic reasoning, KR topics |
| Unit 2. Propositional Reasoning. | - propositional logic, syntax and semantics, set of models - entailment, inconsistence, tautology, deduction theorem, weaker/stronger formulas - deduction/abduction/induction, from language to formulas, the SAT problem - computational complexity, NP-completeness - SAT solvers, Conjunctive Normal Form (CNF) |
| Unit 3. Rule-based Reasoning | - Closed World Assumption (CWA), positive programs, least model, TP immediate consequences - default negation, program reduct, stable models - examples getting stable models, stratified programs - choice rules, constraints, splitting - Here-and-There (HT) - Equilibrium models, strong equivalence |
| Unit 4. Relational Reasoning | - grounding, deductive databases, Datalog, domain independence, safety - Hamiltonian cycles, Answer Set Programming (ASP), GDT methodology - Pooling, terms, reification, aggregates - Optimisation - ASP applications and solvers |
| Unit 5. Temporal Reasoning and Planning | - telingo, switches example, simulation, postdiction, planning - missionaries and cannibals, the blocks world - abduction, explanation, diagnosis - temporal equilibrium logic - survey on AI planning |
Unit 6. Terminological Reasoning |
Description Logics |
| Unit 7. Reasoning with inaccurate information | - Categorical models - Probabilistic models - Cuasi-probabilistic models - Certainty factors - Theory of Evidence - Fuzzy Logic - Vectorial Approaches |
| 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 |
|
|
| 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 | |
|
| Materias que continúan o temario | |||||||||
|
| Observacións | |