
Intel·ligència Artificial
Codi: 101764Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Gestió Aeronàutica | OB | 3 |
Professor/a de contacte
- Nom :
- Olivier Penacchio
- Correu electrònic :
- oliver.penacchio@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Per a poder fer les pràctiques de l'assignatura cal tenir els coneixements adequats de programació en llenguatge Python que es proporcionen a Fonaments d'Informàtica i Informàtica Avançada.
Per tant, EN CAS DE NO HAVER SUPERAT L'ASSIGNATURA DE FONAMENTS D'INFORMÀTICA PREVIAMENT I/O NO TENIR PREVIST MATRICULAR-SE D'INFORMÀTICA AVANÇADA EN EL CURS ACTUAL ES RECOMANA FERMAMENT NO MATRICULAR-SE D'AQUESTA ASSIGNATURA AQUEST CURS.
Per a la part teòrica de l'assignatura, també són necessaris uns coneixements mínims d'estadística (1er curs) i àlgebra (2on curs).
En el cas dels estudiants del grau d'Empresa i Tecnologia es recomana haver superat les assignatures del seu grau equivalents a les mencionades pels estudiants de Gestió Aeronàutica.
Objectius
Els objectius de l’assignatura es poden resumir en:
- Descriure les àrees més importants de la intel·ligència artificial
- Descriure les tècniques bàsiques de representació del coneixement, aprenentatge i cerca per a la resolució de problemes
- Reconèixer situacions on l’aplicació de la intel·ligència artificial pot ser adient per a solucionar un problema del sector aeronàutic
- Analitzar el problema a resoldre i dissenyar la solució òptima aplicant les tècniques apreses
- Programar els algorismes bàsics per a solucionar els problemes proposats
- Avaluar els resultats de la solució implementada i valorar les possibles millores
- Defensar i argumentar les decisions preses en la solució dels problemes proposats
- Adquirir els coneixements bàsics necessaris per comprendre les tècniques modernes d’intel·ligència artificial en un camp en evolució constant
- Identificar els principals reptes ètics associats al desenvolupament i l’aplicació de la intel·ligència artificial, i valorar-ne les implicacions
L’assignatura d’Intel·ligència Artificial, s’emmarca dins de la matèria Tecnologies de la informació en el sector aeronàutic, junt amb les assignatures d’Informàtica Avançada i d’Anàlisi i Disseny de Sistemes d’Informació. Per la seva temàtica, aquesta matèria està estretament relacionada amb l’assignatura de Fonaments d’Informàtica de primer curs.
Els objectius de l’assignatura es poden resumir en:
Coneixements:
- Descriure quines són les àrees més importants de la intel·ligència artificial
- Descriure les tècniques bàsiques de representació del coneixement, aprenentatge i cerca per la resolució de problemes
- Enumerar els passos essencials dels diferents algorismes
- Identificar els avantatges i inconvenients dels algorismes que s’expliquen
- Relacionar les tècniquesde la intel·ligència artificial amb la seva aplicacióal sector aeronàutic
Habilitats:
- Reconèixer les situacions en les quals l’aplicació de la intel·ligència artificial pot ser adient per solucionar un problema
- Analitzar el problema a resoldre i dissenyar la solució òptima aplicant les tècniques apreses
- Redactar documents tècnics relacionats amb l’anàlisi i la solució d’un problema
- Programar els algorismes bàsics per solucionar els problemes proposats
- Avaluar els resultats de la solució implementada i valorar les possibles millores
- Defensar i argumentarles decisions preses en la solució dels problemes proposats
- Analitzar el problema a resoldre i dissenyar la solució òptima aplicant les tècniques apreses
- Redactar documents tècnics relacionats amb l’anàlisi i la solució d’un problema
- Programar els algorismes bàsics per solucionar els problemes proposats
- Avaluar els resultats de la solució implementada i valorar les possibles millores
- Defensar i argumentar les decisions preses en la solució dels problemes proposats
Resultats d'aprenentatge
- KM22 (Definir l’aplicació de la intel·ligència artificial en la gestió d’aeroports i aerolínies, identificant els reptes tecnològics en la representació del coneixement, el raonament, l’aprenentatge automàtic i l’optimització de processos.) Definir l’aplicació de la intel·ligència artificial en la gestió d’aeroports i aerolínies, identificant els reptes tecnològics en la representació del coneixement, el raonament, l’aprenentatge automàtic i l’optimització de processos.
Continguts
- Introducció a la intel·ligència artificial
- Resolució de problemes i cerca
- Resolució de problemes i cerca
- Resolució de problemes i cerca
- Raonament automàtic i lògica
- Raonament amb incertesa
- Representació del coneixement
- Aprenentatge automàtic
- Aprenentatge automàtic
- Xarxes neuronals
- LLMs i intel·ligència artificial generativa
- LLMs i intel·ligència artificial generativa
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Preparació de les classes de teoria | 10 | 0,4 | KM22 |
| Estudi personal | 30 | 1,2 | KM22 |
| Preparació i discusió de temes relacionats amb les tasques pràctiques | 15 | 0,6 | KM22 |
| Classes de teoria i discussió | 22 | 0,88 | KM22 |
| Classes de pràctiques | 10 | 0,4 | KM22 |
| Estudi en grup | 45 | 1,8 | KM22 |
| Classes de problemes | 12 | 0,48 | KM22 |
La plataforma Campus Virtual (http://cv.uab.cat) serà l'eina habitual d'intercanvi d'informació entre professorat i estudiants. Tots els materials i informacions relacionats amb el desenvolupament de l'assignatura es publicaran en aquesta plataforma.
Les activitats que es duran a terme en l’assignatura s’organitzen de la següent manera:
Classes de teoria
Es seguiran dues metodologies principals:
- Classe magistral participativa on s’exposaran els principals conceptes i algorismes de cada tema, i es proposaran exemples i exercicis curts per a que els estudiants posin en pràctica aspectes concrets dels temes exposats.
Classes de problemes
Es proposaran exercicis a resoldre en petits grups cooperatius per tal de consolidar l’aprenentatge dels temes exposats a les classes de teoria. Segons el tema alguns d’aquests exercici es resoldran amb programes. Els treballs es realitzaran en grups.
Classes de pràctica
A les classes de pràctica es treballarà la part més pràctica de les tasques. Es comentaran les solucions i la retroalimentació en detall i es donarà atenció a cada grup mitjançant entrevistes i revisió de la coavaluació. Per comprovar que cada alumne del grup ha entès cada part de la solució entregada, hi haurà sessions de control amb assitència obligatòria.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Prova escrita del Bloc 2 | 25% | 2 | 0,08 | KM22 |
| Prova escrita del Bloc 1 | 25% | 2 | 0,08 | KM22 |
| Verificació de lliuraments en grup | 50% | 2 | 0,08 | KM22 |
Aquesta assignatura no preveu el sistema d’avaluació única. L’avaluació és continuada. L'alumne veu en tot moment la seva evolució a l'assignatura.
Hi haurà una entrega per cada tema que pot contenir exercicis escrits i programes. Les tasques es resoldran en grup.
En total, les notes de les entregues contribueixen 50% de la nota final.
Hi haurà dos examen escrits durant el curs i cada un tindrà pes de 25%.
No hi ha notes mínimes en cap de les avaluacions excepte a la nota final. La nota per aprovar l'assignatura és 5.0.
Procés de recuperació: Els dos examens són recuperables. L’estudiant es pot presentar a la recuperació sempre que s’hagi presentat a un conjunt d’activitats que representin un mínim de dues terceres parts de la qualificació total de l’assignatura. D’aquests, es podran presentar a la recuperació aquells estudiants que tinguin com a mitjana de totes les activitats de l’assignatura una qualificació superior a 3,5.
Criteris per a Matrícula d’Honor: Atorgar una qualificació de matrícula d’honor és decisió del professorat responsable de l’assignatura. La normativa de la UAB indica que les MH només es podran concedir a estudiants que hagin obtingut unaqualificació final igual o superior a 9.00. Es pot atorgar fins a un 5% de MH del total d'estudiants matriculats.
Criteris per a la qualificació No Avaluable: Un estudiant es considerarà no avaluable (NA) només si no s’ha presentat a les activitats de proves escrites.
Programació d’activitats d’avaluació: Les dates d'avaluació continuada i lliurament de treballs es publicaran a la pàgina web de l'assignatura i al Campus Virtual i poden estar subjectes a canvis de programació per motius d'adaptació a possibles incidències; sempre s'informarà a la pàgina web de l'assignatura i al Campus Virtual sobre aquests canvis, ja que s'entén que la pàgina web de l'assignatura i el Campus Virtual són els mecanismes habituals d'intercanvi d'informació entre professor i estudiants.
Procediment de revisió: Per a cada activitat d'avaluació, s'indicarà un lloc, data i hora de revisió en la que l'estudiant podrà revisar l'activitat amb el professor. En aquest context, es podran fer reclamacions sobre la nota de l'activitat, que seran avaluades pel professorat responsable de l'assignatura. Si l'estudiant no es presenta a aquesta revisió, no es revisarà posteriorment aquesta activitat.
Us d'eines d'IA (p. ex. xat GPT): L'ús d'aquest tipus d'eines només estarà restringit en els examens. Això vol dir que és impresindible que feu un us crític d'aquestes eines, es a dir, que les feu servir per aprendre no per copiar.
Nota sobre plagis: Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa acadèmica vigent, les irregularitats comeses per un o una estudiant que puguin conduir a una variacióde la qualificació en una activitat avaluable es qualificaran amb un zero (0). Les activitats d'avaluació qualificades d'aquesta forma i per aquest procediment no seran recuperables. Si és necessari superar qualsevol d'aquestes activitats d'avaluació per aprovar l'assignatura, aquesta assignatura quedarà suspesa directament, sense oportunitat de recuperar-la en el mateix curs. Aquestes irregularitats inclouen, entre d'altres:
- la còpia total o parcial d'una pràctica, informe, o qualsevol altra activitat d'avaluació;
- deixar copiar;
- presentar un treball de grup no fet íntegrament pels i les membres del grup (aplicat a tots els i les membres, no solament als que no han treballat);
- presentar com a propis materials elaborats per un tercer, encara que siguin traduccions o adaptacions, i en general treballs amb elements no originals i exclusius de l'estudiant;
- tenir dispositius de comunicació (com telèfons mòbils, smart watches, bolígrafs amb càmera, etc.) accessibles durant les proves d'avaluació teorico-pràctiques individuals (exàmens);
- parlar amb companys o companyes durant les proves d'avaluació teorico-pràctiques individuals (exàmens);
- copiar o intentar copiar d'altres alumnes durant les proves d'avaluació teorico-pràctiques (exàmens);
- usar o intentar usar escrits relacionats amb la matèria durant la realització de les proves d'avaluació teorico-pràctiques (exàmens), quan aquests no hagin estat explícitament permesos.
La nota numèrica de l'expedient serà el valor menor entre 3.0 i la mitjana ponderada de les notes en cas que l'estudiant hagi comès irregularitats en un acte d'avaluació (i per tant no serà possible l'aprovat per compensació).
En resum: copiar, deixar copiar o plagiar en qualsevol de les activitats d'avaluació equival a un SUSPENS amb nota inferior a 3.0.
Bibliografia
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Ed. Prentice Hall, Fourth Edition, 2021.
(Existeix traducció al castellà: Inteligencia artificial: Un Enfoque Moderno)
Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg.
(Disponible a l'enllaç: Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdfGitHubhttps://github.com › Benlau93 › blob › master › Bishop-...
I. Goodfellow, Y. Bengio, and A. Courville. Deep learning. MIT Press, 2016.
(Es pot consultar en línia a l'enllaç següent: https://www.deeplearningbook.org)
Christopher M. Bishop and Hugh Bishop. Deep Learning: Foundations and Concepts. Springer, 2024.
(Introdueix els fonaments de l'aprenentatge profund amb una perspectiva actualitzada.)
Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
(Referència de nivell avançat sobre aprenentatge automàtic basat en mètodes probabilístics.)
Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction. Second Edition, MIT Press, 2018.
(Disponible gratuïtament a: http://incompleteideas.net/book/the-book-2nd.html)
Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow. Third Edition, O'Reilly Media, 2022.
(Llibre orientat a la implementació pràctica en Python.)
Melanie Mitchell. Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux, 2019.
(Introducció accessible als fonaments, limitacions i reptes de la IA.)
Virginia Dignum. Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. Springer, 2019.
(Introducció als aspectes ètics, socials i legals de la intel·ligència artificial.)
MIT OpenCourseWare. Materials de cursos d'intel·ligència artificial i aprenentatge automàtic.
Stanford Online / CS229: Machine Learning. Materials docents i apunts.
Elements of AI. Curs gratuït d'introducció a la intel·ligència artificial desenvolupat per la Universitat d'Hèlsinki.
Programari
Per la programació amb Python, s'utilitzarà la darrera versió del paquet Anaconda, que inclou Python 3.x i l'editor Spyder (https://www.anaconda.com/products/individual), o bé qualsevol entorn de desenvolupament compatible amb Python 3.x, com ara Visual Studio Code, PyCharm Community Edition o JupyterLab.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 11 | Català | primer quadrimestre | tarda |
| (PAUL) Pràctiques d'aula | 11 | Català | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 32 | Català | primer quadrimestre | tarda |