Competencias

Competencias básicas:

• CB6: Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
• CB7: Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
• CB8: Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
• CB9: Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
• CB10: Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias generales:

• CG1: Adquirir la capacidad de analizar todo el contexto asociado a problemas reales de ingeniería, identificando las posibles soluciones tecnológicas más adecuadas a la vez que se consideran los más altos estándares éticos, sociales y de respeto a la legalidad vigente..
• CG4: Evaluar las necesidades materiales y el esfuerzo humano requerido para afrontar con éxito proyectos complejos de inteligencia artificial.
• CG6: Desarrollar habilidades avanzadas de interpretación rigurosa de los resultados científico-técnicos obtenidos al aplicar algoritmos de inteligencia artificial.
• CG7: Desarrollar habilidades de innovación y gestión de proyectos con equipos multidisciplinares en ciencias cognitivas, combinando adecuadamente las diversas capacidades técnicas, de negocio y científicas.

Competencias específicas:

• CE1: Adquirir un conocimiento detallado de las diferentes escuelas y tecnologías disponibles para aplicar algoritmos de inteligencia artificial.
• CE2: Identificar los factores clave en el desarrollo de proyectos de inteligencia artificial y las implicaciones legales y sociales de la toma automática de decisiones.
• CE3: Comprender la complejidad y conocer todas las fases de desarrollo de soluciones tecnológicas basadas en la inteligencia artificial.
• CE7: Identificar las principales herramientas y entornos de desarrollo disponibles para implementar soluciones de inteligencia artificial.
• CE9: Ser capaz de plantear diseños de investigación y soluciones tecnológicas que aseguren el rigor de los resultados y el control de los errores cometidos por el sistema de inteligencia artificial.
• CE10: Identificar los requisitos de seguridad, rendimiento e interacción con humanos del sistema de inteligencia artificial y ser capaz de diseñar una solución tecnológica que los cumpla.
• CE11: Comprender los modelos de negocio que soportan financieramente el desarrollo y la operación de los sistemas de inteligencia artificial.

Competencias transversales:

• CT1: Organizar y planificar las tareas aprovechando los recursos, el tiempo y las competencias de manera óptima.
• CT2: Identificar las nuevas tecnologías como herramientas didácticas para el intercambio comunicacional en el desarrollo de procesos de indagación y de aprendizaje.
• CT3: Desarrollar habilidades de comunicación, escritas y orales, para realizar atractivas y eficaces presentaciones de información profesional.
• CT4: Adquirir la capacidad de trabajo independiente, impulsando la organización y favoreciendo el aprendizaje autónomo.

Contenidos

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

Metodología

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:

• Trabajos. Se trata de actividades de diferentes tipos: reflexión, análisis de casos, prácticas, etc. Además de análisis de textos relacionados con diferentes temas de la asignatura.
• Participación en eventos. Son eventos programados todas las semanas del cuatrimestre: sesiones presenciales virtuales, foros de debate, test.

En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.

Descarga el pdf de la programación

Estas actividades formativas prácticas se completan, por supuesto, con estas otras:

• Estudio personal
• Tutorías. Las tutorías se pueden articular a través de diversas herramientas y medios. Durante el desarrollo de la asignatura, el profesor programa tutorías en días concretos para la resolución de dudas de índole estrictamente académico a través de las denominadas “sesiones de consultas”. Como complemento de estas sesiones se dispone también del foro “Pregúntale al profesor de la asignatura” a través del cual se articulan algunas preguntas de alumnos y las correspondientes respuestas en el que se tratan aspectos generales de la asignatura. Por la propia naturaleza de los medios de comunicación empleados, no existen horarios a los que deba ajustarse el alumno.
• Examen final presencial

Las horas de dedicación a cada actividad se detallan en la siguiente tabla:

Bibliografía

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

Evaluación y calificación

El sistema de calificación se basa en la siguiente escala numérica:

La calificación se compone de dos partes principales:

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:

Profesorado

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.

Orientaciones para el estudio

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:

1. Desde el Campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual de Lo que necesitas saber antes de empezar. Aquí podrás consultar la documentación disponible sobre cómo se utilizan las herramientas del aula virtual y sobre cómo se organiza una asignatura en la UNIR y también podrás organizar tu plan de trabajo personal con tu profesor-tutor.
2. Observa la programación semanal. Allí te indicamos qué parte del temario debes trabajar cada semana.
3. Ya sabes qué trabajo tienes que hacer durante la semana. Accede ahora a la sección Temas del aula virtual. Allí encontrarás el material teórico y práctico del tema correspondiente a esa semana.
4. Comienza con la lectura de las Ideas clave del tema, constituyen el contenido del tema y el material básico de estudio. Lee siempre el primer apartado, Presentación, porque allí te especificamos qué material tienes que estudiar. Consulta, además, las secciones del tema que contienen material complementario (Experiencias, Lecturas, Más recursos).
5. Dedica tiempo al trabajo práctico (sección Casos prácticos y Test). En la programación semanal te detallamos cuáles son las actividades correspondientes a cada semana y qué calificación máxima puedes obtener con cada una de ellas.
6. Te recomendamos que participes en los eventos del curso (sesiones presenciales virtuales, foros de debate…). Para conocer la fecha concreta de celebración de los eventos debes consultar las herramientas de comunicación del aula vitual. Tu profesor y tu profesor-tutor te informarán de las novedades de la asignatura.

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.