Denominación de la asignatura |
Investigación en Inteligencia Artificial |
Máster al que pertenece |
Máster UNiversitario en Inteligencia Artificial |
Créditos ECTS |
6 |
Cuatrimestre en el que se imparte |
Primer cuatrimestre |
Carácter de la asignatura | Obligatoria |
Esta asignatura persigue dos objetivos fundamentales: en primer lugar, introducir a los alumnos en la historia, evolución y conceptos clave de la inteligencia artificial; en segundo lugar, transmitir los elementos fundamentales del método científico y los procesos de investigación, así como herramientas de distintos tipos que pueden ser útiles al investigador.
El primer objetivo implica adentrarse las aplicaciones actuales de la inteligencia artificial en el ámbito empresarial, siendo capaz de reconocer las particularidades asociadas a este tipo de proyectos, los retos existentes y las barreras y consideraciones éticas pertinentes.
La segunda parte de la asignatura dotará al alumno de las capacidades necesarias para llevar a cabo proyectos de investigación en base a metodologías validadas y empleando de forma correcta las herramientas disponibles.
Competencias básicas:
Competencias generales:
Competencias específicas:
Competencias transversales:
Tema 1. Herramientas para la investigación en inteligencia artificial: introducción al lenguaje de programación Python
¿Cómo estudiar este tema?
Características generales de Python y entornos de desarrollo.
Variables y tipos de datos en Python.
Condicionales, bucles y funciones en Python.
Objetos en Python.
Introducción a la visualización con Python
Referencias bibliográficas
Tema 2. Principios básicos del aprendizaje automático con Python
¿Cómo estudiar este tema?
Principales librerías Python para la analítica de datos.
Metodología Data Science.
Trabajo con NumPy.
Trabajo con Pandas.
Regresión lineal con Python.
Referencias bibliográficas
Tema 3. Introducción al método científico y la investigación
¿Cómo estudiar este tema?
La ciencia y su método.
Búsqueda de información y gestión bibliográfica.
El proceso de publicación científica.
Editores de textos científicos: LaTex.
Ética y legalidad en el ámbito científico.
Referencias bibliográficas.
Tema 4. Origen y evolución de la inteligencia artificial
¿Cómo estudiar este tema?
Definición y origen del concepto inteligencia artificial.
Fundamentos de la inteligencia artificial.
Historia de la inteligencia artificial.
Inteligencia artificial y conceptos relacionados.
Referencias bibliográficas
Tema 5. Aplicación de la inteligencia artificial al ámbito empresarial, presente y futuro
¿Cómo estudiar este tema?
La inteligencia artificial en el presente.
Soluciones comerciales basadas en inteligencia artificial.
El futuro de la inteligencia artificial
Tema 6. Implicaciones filosóficas, éticas y legales en la aplicación de la inteligencia artificial
¿Cómo estudiar este tema?
Contexto legal aplicable a proyectos de inteligencia artificial.
Consideraciones éticas en la aplicación de algoritmos inteligentes.
Inteligencia artificial débil versus Iinteligencia artificial fuerte.
Referencias bibliográficas
Tema 7. Gestión de proyectos de inteligencia artificial en el ámbito empresarial
¿Cómo estudiar este tema?
Ciclo de vida del proyecto de Inteligencia Artificial.
Entornos de análisis y entornos de producción.
Estimación del esfuerzo y recursos necesarios para el diseño y desarrollo en cada una de las fases del ciclo de vida de un proyecto de inteligencia artificial.
Referencias bibliográficas.
Tema 8. Agentes inteligentes
¿Cómo estudiar este tema?
Introducción a los agentes inteligentes.
Comportamiento y entorno de los agentes inteligentes.
Estructura de los agentes inteligentes.
Agentes inteligentes en economía.
Referencias bibliográficas.
Tema 9. Búsqueda heurística y exploración
¿Cómo estudiar este tema?
El concepto de búsqueda heurística.
Estrategias de búsqueda.
Búsqueda entre adversarios.
Tema 10. Lógica matemática e inferencia
¿Cómo estudiar este tema?
Lógica proposicional.
Lógica de primer orden.
Relación entre lógica matemática e inteligencia artificial.
Tema 11. Teoría de la computabilidad y complejidad computacional
¿Cómo estudiar este tema?
Problemas decidibles e indecidibles.
Lenguajes, gramáticas y autómatas finitos.
Máquinas de Turing.
Introducción a la complejidad computacional.
Referencias bibliográficas.
Tema 12. Cognición y aprendizaje: ¿cómo aprende una máquina?
¿Cómo estudiar este tema?
Introducción a la computación cognitiva.
Elementos de un sistema cognitivo.
Big Data y computación cognitiva.
Computación cognitiva y aplicaciones de negocio.
Referencias bibliográficas
Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.
Las actividades formativas de esta asignatura son las siguientes:
En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.
Estas actividades formativas prácticas se completan, por supuesto, con estas otras:
Las horas de dedicación a cada actividad se detallan en la siguiente tabla:
ACTIVIDADES FORMATIVAS | HORAS |
Sesiones presenciales virtuales | 15 |
Lecciones magistrales | 6 |
Estudio del material básico | 52 |
Estudio del material complementario | 25 |
Trabajos, casos prácticos y test | 29 |
Tutorías | 16 |
Trabajo colaborativo (foro) | 7 |
Evaluación Final | - |
Total |
150 |
Bibliografía básica.
Los textos necesarios para el estudio de la asignatura han sido elaborados por la UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.
Bibliografía complementaria.
Agencia Española de Protección de Datos. (2016). Orientaciones y garantías en los procedimientos de anonimización de datos personales. Recuperado de: https://www.agpd.es/portalwebAGPD/canaldocumentacion/publicaciones/common/Guias/2016/Orientaciones_y_garantias_Anonimizacion.pdf
Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford: Oxford University Press.
Domingos, P. (2014). The master algorithm. How the quest for the ultimate learning machine will remake our world. United Kingdom: Penguin.
Russell, S. y Norving, P. (2004). Inteligencia Artificial: un enfoque moderno (pp. 1-35). Madrid: Pearson Educación.
Silver, D. et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489. doi: 10.1038/nature16961
Sculley, D., Phillips, T., Ebner, D., Chaudhary, V., y Young, M. (2014). Machine learning: The high-interest credit card of technical debt. Google Reasearch. Recuperado de: https://static.googleusercontent.com/media/research.google.com/es//pubs/archive/43146.pdf
El sistema de calificación se basa en la siguiente escala numérica:
0 - 4, 9 |
Suspenso |
(SS) |
5,0 - 6,9 |
Aprobado |
(AP) |
7,0 - 8,9 |
Notable |
(NT) |
9,0 - 10 |
Sobresaliente |
(SB) |
La calificación se compone de dos partes principales:
CALIFICACIÓN | EXAMEN FINAL | 60% | |
EVALUACIÓN CONTINUA | 40% |
El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.
La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.
Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado en la programación semanal. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.
El sistema de evaluación de la asignatura es el siguiente:
SISTEMA DE EVALUACIÓN |
PONDERACIÓN |
PONDERACIÓN |
Participación del estudiante (sesiones, foros, laboratorios) |
0 |
40 |
Trabajos, proyectos y casos |
0 |
40 |
Test |
0 |
40 |
Examen final presencial |
60 |
60 |
Pablo Moreno Ger
Formación académica: Ingeniero en Informática y Doctor en Ingeniería Informática por la Universidad Complutense de Madrid. Profesor Titular de Universidad.
Experiencia: Es Profesor Titular en la Universidad Internacional de La Rioja, y Subdirector Académico de la Escuela Superior de Ingeniería y Tecnología de UNIR. Anteriormente fue profesor en el Departamento de Ingeniería del Software e Inteligencia Artificial de la Universidad Complutense de Madrid, donde también fue Vicedecano de Innovación de la Facultad de Informática.
Ha realizado estancias de investigación en diversas universidades (Harvard University, Open University of The Netherlands, Universidade de Coimbra) y ha participado en numerosos proyectos de investigación nacionales (Plan Nacional de I+D+i, CENIT, INNPACTO) e internacionales (FP7, LLP, H2020). Es autor de más de 150 publicaciones en revistas y congresos internacionales.
Líneas de investigación: Sistemas Inteligentes, Videojuegos Educativos, IA en juegos, Aprendizaje Automático, Deep Learning, Analíticas de Aprendizaje.
Obviamente, al tratarse de formación online puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:
Recuerda que en el aula virtual de Lo que necesitas saber antes de empezar puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.
Ten en cuenta estos consejos…
|