Un Sistema Basat en el Coneixement (Knowledge-Based System) usa una base de coneixement per raonar i resoldre problemes complexes. Així, doncs, podríem dir que avui en dia qualsevol problema/sistema és un Sistema Basat en el Coneixement (SBC). Els trets fonamentals que caracteritzen un SBC són, com diu el seu nom, el Coneixement, la Representació del Coneixement, el Raonament i la Cerca que es pot efectuar sobre el mateix. I aquests seran els eixos que tractarà l?assignatura.
Professors Titulars
Professors Docents
Fonaments de programació.
Els objectius es centraran en:
- Conèixer l?abast de la Intel·ligència artificial i, en concret, l'àmbit dels sistemes basats en el coneixement.
- Conèixer els algorismes clàssics d'aprenentatge artificial.
- Conèixer els costos computacionals i de la qualitat de les solucions dels diferents algorismes de cerca.
- Conèixer la importància del coneixement, així, com la manera de tractar-lo.
- Desenvolupar un cas concret: un sistema expert.
1. Introducció
2. Python per a IA
3. Representació del Coneixement
4. Sistemes Basats en Regles
5. Cerca i Optimització
6. Incertesa
7. PLN i Aprenentatge Automàtic
La metodologia usada combina les classes magistrals, la resolució d'exercicis, la participació de l'alumnat i el desenvolupament d'un projecte. Per a l'alumne/a això comportarà tant treballs individuals com treballs en grup, així com exercicis conceptuals, exercicis implementats, presentacions orals i presentacions escrites.
El curs seguirà dues línies en paral·lel: 1) les classes magistrals i els exercicis més conceptuals per anar avançant el temari; i 2) el desenvolupament del projecte des del primer dia fins a la darrera classe que implicarà fins a cinc entregues: des de la conceptualització d'un sistema expert fins al seu desenvolupament amb una presentació final.
L'assignatura té exercicis i un projecte final.
Avaluació contínua de l'assignatura:
NOTA FINAL = 40% Nota d'Exercicis + 60% Nota del Projecte
Per aprovar l'assignatura:
- Nota d'Exercicis >= 5
- Nota del Projecte >= 5
- Nota Final ? 5.0
- Aamodt, A., & Plaza, E. (1994). Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. Artificial Intelligence Communications, 7(1), 39-59.
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (1st ed.). Springer.
- Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley.
- Ermine, J.-L. (1995). Expert Systems: The Technology of Knowledge-Based Systems. John Wiley & Sons.
- Giarratano, J. C., & Riley, G. D. (1994). Expert Systems: Principles and Programming (3rd ed.). PWS Publishing.
- Hall, D. (1988). Building Expert Systems. Addison-Wesley.
- Heaton, J. (2015). Artificial Intelligence for Humans: Fundamental Algorithms (1st ed.). Heaton Research.
- Jackson, P. C. (1981). An Introduction to Artificial Intelligence. McGraw-Hill.
- Merritt, D. (1987). Building Expert Systems in Prolog. Prentice-Hall.
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
- Negnevitsky, M. (2002). Artificial Intelligence: A Guide to Intelligent Systems (2nd ed.). Addison-Wesley.
- Nilsson, N. J. (1980). Foundations of Artificial Intelligence. Cambridge University Press.
- Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann Publishers.
- Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd ed.). Pearson Education.