Identifying Data 2019/20
Subject (*) Knowledge Representation and Automatic Reasoning Code 614G01036
Study programme
Grao en Enxeñaría Informática
Descriptors Cycle Period Year Type Credits
Graduate 2nd four-month period
 Third Optional 6
Language
Spanish
Galician
English
Teaching method Face-to-face
Prerequisites
Department Ciencias da Computación e Tecnoloxías da Información
Computación
Coordinador
Moret Bonillo, Vicente
 E-mail
vicente.moret@udc.es
Lecturers
Cabalar Fernandez, Jose Pedro
Moret Bonillo, Vicente
 E-mail
pedro.cabalar@udc.es
vicente.moret@udc.es
Web
General description

Study programme competencies
Code Study programme competences
A4 Coñecementos básicos sobre o uso e a programación dos ordenadores, sistemas operativos, bases de datos e programas informáticos con aplicación na enxeñaría.
A42 Capacidade para coñecer os fundamentos, paradigmas e técnicas propias dos sistemas intelixentes, e analizar, deseñar e construír sistemas, servizos e aplicacións informáticas que utilicen as ditas técnicas en calquera ámbito de aplicación.
A43 Capacidade para adquirir, obter, formalizar e representar o coñecemento humano nunha forma computable para a resolución de problemas mediante un sistema informático en calquera ámbito de aplicación, particularmente os relacionados con aspectos de computación, percepción e actuación en ambientes ou contornos intelixentes.
B1 Capacidade de resolución de problemas
B3 Capacidade de análise e síntese
B9 Capacidade para xerar novas ideas (creatividade)
C6 Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñible para resolver os problemas cos que deben enfrontarse.
C7 Asumir como profesional e cidadán a importancia da aprendizaxe ao longo da vida.
C8 Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.

Learning aims
Learning outcomes Study programme competences
Capacidade para coñecer os fundamentos, paradigmas e técnicas propias dos sistemas intelixentes, e analizar, deseñar e construír sistemas, servizos e aplicacións informáticas que utilicen as ditas técnicas en calquera ámbito de aplicación. A4
A42
A43
 B1
B3
B9
 C6
C7
C8
Capacidade para adquirir, obter, formalizar e representar o coñecemento humano nunha forma computable para a resolución de problemas mediante un sistema informático en calquera ámbito de aplicación, particularmente os relacionados con aspectos de computación, percepción e actuación en ambientes ou contornos intelixentes. A4
A42
A43
 B1
B3
B9
 C6
C7
C8
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. A4
A42
A43
 B1
B3
B9
 C6
C7
C8

Contents
Topic Sub-topic
1.Cuestiones Preliminares
 1.1.Representación do Coñecemento
1.2.Razoamento Automático
2.Representaciones Formales del Conocimiento 2.1. Representación e Razoamento Proposicional
2.2. Representación e Razoamento Relacional
2.3. Cálculo de Predicados
3.Razonamiento Categórico y 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 Creencia 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.Razonamiento Cuasi-Estadístico 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.Razonamiento 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
Guest lecture / keynote speech A4 A42 A43 B1 B3 B9 C6 C7 C8 25 24 49
Mixed objective/subjective test A42 B1 B3 2 15 17
Directed discussion A4 B9 C2 C4 C6 C7 4.5 1 5.5
Laboratory practice A42 A43 B1 B3 B5 C8 14 20 34
Workshop A42 A43 B1 B3 B9 C2 C4 C6 C8 4.5 3 7.5
Problem solving A42 B1 B3 B9 C2 C6 C7 3 2 5
Supervised projects A42 A43 B1 B3 B9 C8 7 25 32
 
Personalized attention 0 0 0
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
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.
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.

Personalized attention
Methodologies
Workshop
Problem solving
Supervised projects
Directed discussion
Laboratory practice
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
Workshop A42 A43 B1 B3 B9 C2 C4 C6 C8 Eventual realización de talleres e seminarios. 1
Problem solving A42 B1 B3 B9 C2 C6 C7 Resolución participativa e colaborativa de problemas da asignatura. 3
Supervised projects A42 A43 B1 B3 B9 C8 Traballos da asignatura 15
Mixed objective/subjective test A42 B1 B3 Examen escrito da materia. 50
Directed discussion A4 B9 C2 C4 C6 C7 Discusión de temas plantexados en clase. 1
Laboratory practice A42 A43 B1 B3 B5 C8 Puntuación máxima = 10 puntos. Mínimo para ponderar co resto de docencia = 3 puntos. 30
 
Assessment comments

Los estudiantes matriculados a tiempo parcial 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 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

Complementary AAAI (2012). AI Topics / Representation. http://aaai.org/AITopics/Representation


Recommendations
Subjects that it is recommended to have taken before
Programming I/614G01001
Programming II/614G01006
Intelligent Systems/614G01201

Subjects that are recommended to be taken simultaneously
Intelligent Systems Development/614G01037
Machine Learning/614G01038

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.