Estudia

• L'objectiu principal de l'assignatura és aconseguir que els estudiants del darrer curs d’EINF adquireixin coneixements teòrics i pràctics en la supervisió experta de processos mitjançant l’ús de sistemes basats en coneixements. En particular, es focalitza en els mètodes i eines que la Intel•ligència Artificial (IA) proporciona per poder donar suport a les diferents persones que intervenen en una indústria o organització: operadors, gestors, executius, financers. La IA proporciona les eines per analitzar el conjunt de dades que són recollits per ordinadors o terminals de control en les indústries i organitzacions i assistir a totes aquestes persones en els seus processos de decisió per tal de controlar i millorar l’eficàcia del procés o organització. En aquesta assignatura l’estudiant aprendrà a utilitzar alguns dels mètodes alternatius que ofereix la IA, i adquirirà una perspectiva global, científica, metodològica i pràctica de la resolució de problemes en aquesta àrea del coneixement. En concret s’estudiaran tècniques de Planificació de la seqüencialització, de la Planificació del temps i dels recursos, i de l’aprenentatge de coneixement a partir de dades. En totes les metodologies es focalitzará en l’estudi de solucions distribuïdes en el marc de la més recent avantguarda dels sistemes informàtics actuals.

1. Introducció.

          1.1. Sistemes de supervisió

          1.2. Tendències actuals

          1.3. Supervisió i tècniques d’Intel·ligència Artificial

2. Tècniques d’IA per la Planificació

          2.1. Introducció.

          2.2. Representació del coneixement en planificació

          2.3. Planificació d’ordre total

          2.4. Planificació d’ordre parcial

          2.5. Planificació basada en grafs

          2.6. Planificació i execució

          2.7. Casos d’estudi: assamblatge, softbots.

3. Tècniques d’IA per l’Scheduling

          3.1. Introducció.

          3.2. Classificació dels problemes d’scheduling

          3.3. Tècniques heurístiques de satisfacció de restriccions

          3.4. Altres tècniques d’IA. Algorismes genètics.

          3.5. Casos d’estudi: seqüenciament en la producció; logística.

4. Tècniques d’IA distribuïda

          4.1. Introducció.

          4.2. Agent intel·ligent.

          4.3. Sistemes multi-agent.

          4.4. Resolució distribuïda de problemes

          4.5. Casos d’estudi: robots que cooperen.

5. Mineria de dades

          5.1. Introducció: mineria de dades i descobriment de coneixement

          5.2. Etapes. Preparació.

          5.3. Tècniques de clustering

          5.4. Tècniques de classificació

          5.5. Avaluació de models

          5.6. Casos d’estudi: aprenentatge de coneixements per la planificació.

6. Raonament basat en casos

          6.1. Introducció

          6.2. La biblioteca de casos

          6.3. Recuperació. Mesures de similitud.

          6.4. Reutilització, Revisió i Retenció

          6.5. Casos d’estudi: diagnosi basada en casos; planificació basada en casos.

• Inteligencia artificial, : modelos, técnicas y áreas de aplicación (cop. 2003). Madrid: Thomson.
• Rich, Elaine, Knight, Kevin (1994). Inteligencia artificial (2ª ed). Madrid [etc.]: McGraw-Hill.
• Ghallab, Malik, Nau, Dana S, Traverso, Paolo (cop. 2004). Automated planning, : theory and practice. San Francisco: Elsevier/Morgan Kaufmann.
• Pinedo, Michael (cop. 2002). Scheduling, : theory, algorithms, and systems (2nd ed). Upper Saddle River: Prentice-Hall.
• Intelligent scheduling (cop. 1994). San Francisco: Morgan Kaufmann Publishers.
• Multiagent systems, : a modern approach to distributed artificial intelligence (1999). Cambridge, Mas: The MIT Press.
• Wooldridge, Michael J (cop. 2002). An Introduction to multiagen systems. Chichester: John Wiley & Sons.
• Duda, Richard O, Hart, Peter E, Stork, David G (cop. 2001). Pattern classification (2nd ed). New York [etc.]: John Wiley & Sons.
• Mitchell, Tom M (cop. 1997). Machine learning. New York [etc.]: The McGraw-Hill Companies.
• Funge, John David (cop. 2004). Artificial intelligence for computer games, : an introduction. Wellesley: AK Peters.
• Laboratorio de inteligencia artificial (1998). Alicante: Universidad de Alicante.

Activitats d'avaluació:

Mètodes docents:
Els continguts de l’assignatura poden resultar a primer cop d’ull molt complexos. Tanmateix, el desenvolupament d’aquests només es realitza de forma fonamental i pràctica.

El desenvolupament de l’assignatura es realitzarà en classes teòriques i pràctiques. A les classes de teoria es presentarà la matèria, incloent la realització d’exemples que il·lustrin les idees exposades. S’utilitzarà la pissarra i també transparències. Serà també en les classes de teoria on es proposaran exercicis (publicats amb antelació) per ser resolts pels estudiants.

Quant a les classes de laboratori, totes les pràctiques estan pensades per a ser realitzades en les hores que l’escola disposa en els horaris. La tasca que pot quedar pendent de realitzar a l’estudiant és la realització de l’informe, amb les reflexions sobre l’activitat realitzada i els resultats obtinguts.

Hi ha pràctiques d’una sola sessió i d’altres que per la seva extensió ocupen múltiples sessions. En la sessió on s’iniciï una pràctica, es dedicaran uns moments a explicar l’enunciat i, si escau, l’eina informàtica que s’ha d’emprar.

A més de les hores de classe, l’estudiant podrà consultar el professor en les hores de tutoria. Tanmateix, s’encoratja als estudiants a fer ús del correu electrònic per resoldre els seus dubtes.
Tipus d'exàmens:
Hi haurà un examen presencial en el que s’haurà de resoldre uns problemes i/o respondre a unes qüestions. Aquest examen comptarà el 50% de la qualificació.

La resta (50%) serà el resultat obtingut per la realització de les pràctiques.

És imprescindible treure un mínim de 4 punts (sobre 10) en cada part (examen i pràctiques) per poder ponderar-les i obtenir la qualificació final de l’assignatura.

Consulteu
http://eia.udg.edu/~blopez/dss/