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
Programació avançada i estructura de dades
Es objectius se centraran en:
- Conèixer l'abast de la Intel·ligència artificial i, en concret, l'àmbit dels Sistemes basats els coneixements.
- Ser coneixedors dels costos computacionals i de la qualitat de les solucions dels diferents algorismes de cerca.
- Ser coneixedors de la importància del coneixement, així, com la manera de tractar-lo.
- Desenvolupar un cas concret: un Chatbot.
1. INTRODUCCIÓ
1.1 Intel·ligència Artificial
1.2 Sistemes basats en el Coneixement
2. REPRESENTACIÓ DEL CONEIXEMENT. RAONAMENT
2.1 Representació del coneixement. Conceptes
2.2 Representació estructurada del coneixement
2.3 Representació del coneixement basada en regles
3. ANALÍTICA DESCRIPTIVA
3.1. Estadística descriptiva
3.2. Clustering
4. ANALÍTICA PREDICTIVA
4.1. Raonament estadístic
4.2. Classificació basada en Machine Learning
4.3. Regressió i sèries temporals
5. RESOLUCIÓ DE PROBLEMES. CERCA
5.1 Resolució de problemes. Conceptes
5.2 Cerca cega
5.3 Cerca heurística
5.4 Cerca amb satisfacció de restriccions
5.5 Cerca amb adversari
6. PROJECTE: CHATBOT
6.1 Què és un Chatbot?
6.2 Determinar el domini/problema del vostre projecte. Primera implementació
6.3 Implementació del projecte
6.4 Presentació oral
6.5 Presentació escrita en format article
Project class: NLP
Project class: Seminari
Project class: Com escriure un article?
La metodologia emprada en aquesta assignatura separa les classes en dos tipus: les teòriques i les pràctiques. El professor imparteix al llarg del curs els conceptes teòrics de l´assignatura mitjançant classes magistrals. En aquestes classes el professor també resol exercicis d´aplicació directa dels conceptes explicats. La proporció del temps dedicat a cada una d´aquestes tasques durant les classes magistrals és aproximadament del 50% a explicació i l´altra 50% a resolució de problemes. Al final de cada tema el professor planteja exercicis perquè siguin resolts pels alumnes de manera individual o en grup. Durant aquest temps amb l´ajuda del professor l´alumne pot realitzar exercicis per posteriorment acabar-los a casa i entregar-los al professor opcionalment. Les hores pràctiques són unes 35 hores extres al llarg del curs fora de les hores dedicades a classe on es posen en pràctica els coneixements adquirits durant les classes teòriques. Els alumnes formen grups de dues persones per tal de realitzar treballs on es requereix un bon domini i comprensió de la teoria explicada a classe per poder dissenyar, implementar, simular i avaluar aplicacions reals a partir d´especificacions definides pel professor. Tots els treballs són avaluats mitjançant una demostració pràctica i una entrevista amb el professor per tal d´avaluar el grau de cooperació entre els integrants del grup. Els millors treballs es presenten a classe i comporta una puntuació extra com recompensa pel treball i esforç dedicat als membres del grup.
Aquest curs utilitza un sistema d’avaluació contínua, calculat de la manera següent:
Nota final = 40% Nota d’Exercicis + 60% Nota de Projecte
* sempre que tots els exercicis i totes les parts del projecte obtinguin una nota mínima de 5 o superior.
Nota d’Exercicis = 20% Activitat 1 + 20% Activitat 2 + 20% Activitat 3 + 20% Activitat 4 + 20% Activitat 5
Nota de Projecte =
[ 10% Projecte 1 (Què és un Chatbot?)
+ 20% Projecte 2 (Primera implementació)
+ 5% Projecte 3 (Implementació final)
+ 20% Projecte 4 (Presentació oral)
+ 25% Projecte 5 (Article)
+ 15% Millor Chatbot (votat pel professorat) ]
× (punts de Peer to Peer / 100)
* Comprensió dels conceptes i tècniques de KBS
* Qualitat de la representació del coneixement i modelització
* Disseny i implementació del sistema
* Aplicació de mètodes d’inferència i raonament
* Avaluació, validació i anàlisi crítica
· 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.
· Apunts de classe