
Intel·ligència Artificial
Codi: 102768Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Enginyeria Informàtica | OB | 2 |
Professor/a de contacte
- Nom :
- Maria Vanrell Martorell
- Correu electrònic :
- maria.vanrell@uab.cat
Equip docent
- Carles Sanchez Ramos
- Guillem Arias Bedmar
- Alberto Rubio Perez
- Jordi Cortes Comellas
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Atès el caràcter introductori de l’assignatura s’assumirà que no es posseeix cap tipus de coneixement previ sobre la matèria. És responsabilitat de la pròpia assignatura proporcionar a l'alumnat un mitjà per adquirir els coneixements descrits a l’apartat de continguts de l’assignatura. Sobre altres coneixements s'espera de l'alumnat:
- haver cursat el batxillerat tecnològic o científic
- haver cursat les assignatures de programació de 1r i 2n
- tenir les nocions bàsiques de programació en Python
- tenir coneixements a nivell d’usuari d’algun tipus de plataforma (Windows, Mac o Linux),
- tenir accés a un ordinador, si és portàtil millor.
Objectius
Aquesta assignatura té un caràcter general i introductori al camp de la intel·ligència artificial (IA). Els objectius que es persegueixen són dos:
a) familiaritzar l'alumnat en la resolució de problemes d’IA amb les seves particularitats en la representació, l’avaluació i la metodologia específica de resolució, i
b) fer que l'alumnat coneixi un ventall de tècniques i algorismes bàsics que permetran solucionar els problemes plantejats i millorar les seves habilitats en programació.
Més concretament aquests objectius perseguiran:
- Proporcionar una introducció històrica i d’objectius del camp de la IA.
- Introduir l'alumnat al problema de la selecció d'una bona representació de coneixement com a eix clau per a la resolució dels problemes de la IA.
- Familiaritzar l'alumnat amb quatre representacions de coneixement bàsiques i els seus algorismes corresponents.
- Dotar l’alumnat amb la capacitat de dissenyar solucions a problemes contextualitzats.
- Dotar l’alumnat amb la capacitat de presentar i argumentar l’adequació de les solucions dissenyades.
Resultats d'aprenentatge
- CM18 (Integrar tots els components d’un sistema intel·ligent de presa de decisions.) Integrar tots els components d’un sistema intel·ligent de presa de decisions.
- KM17 (Identificar els problemes bàsics que s’han de solucionar en problemes d’exploració d’alternatives, de reconeixement de patrons i de raonament lògic en intel·ligència artificial.) Identificar els problemes bàsics que s’han de solucionar en problemes d’exploració d’alternatives, de reconeixement de patrons i de raonament lògic en intel·ligència artificial.
- KM19 (Explicar les representacions de coneixement i els algoritmes adequats que es poden fer servir per solucionar problemes bàsics en intel·ligència artificial.) Explicar les representacions de coneixement i els algoritmes adequats que es poden fer servir per solucionar problemes bàsics en intel·ligència artificial.
- SM24 (Identificar les millors eines de programari per codificar les tècniques que permeten solucionar problemes de cerca, classificació i raonament en intel·ligència artificial.) Identificar les millors eines de programari per codificar les tècniques que permeten solucionar problemes de cerca, classificació i raonament en intel·ligència artificial.
Continguts
1. Introducció a la IA. Objectius i breu història del camp. Definició d'agents racionals, metodologia de resolució de problemes i representació de coneixement.
2. Resolució de problemes de presa de decisions per exploració d'alternatives
2.1. Cerca No informada. Nocions bàsiquessobre cerca i recordatori d'algorismes de cerca no-informada. Anàlisi dels algorismes de cerca: completesa, optimitat i complexitat. Concepte d'heurística i exemples.
2.2. Cerca informada: bàsica i òptima. GBFS i A* i les seves propietats Concepte de factor de ramificació efectiu. Propietats interessants de les heurístiques.
2.3. Cerca local. Definicions bàsiques, avantatge i inconvenients. Reinterpretació de la cerca local com l’exploració de la funció heurística. Cerca local quan coneixem l’estat objectiu: Algorisme Hill-Climbing. Problemes de la Cerca local: màxims locals, planures i crestes. Cerca local quan no coneixem l’estat objectiu: Steepest Ascent, Steepest Ascent amb control de màxims locals, Simulated Annealing.
2.4. Cerca amb adversaris basada en Minimax. Definicions bàsiques. AlgorismeMinimax i Poda alfa-beta. Anàlisi de les complexitats. Modificacions al Minimax: aprofundiment progressiu, heurística d'extensió singular (efecte horitzó). Exemples de funcions heurístiques
2.5. Ceraca amb adversaris basada en Simulacions aleatòries. Definicions bàsiques. Algorisme de Monte-Carlo Tree Search. Exemples.
3. Resolució de problemes de reconeixement de patrons.
3.1. Tècniques estadístiques. Espais de característiques com a representació pel raonament basat en casos. Definicions bàsiques de l'espai de característiques. Selecció de característiques i reducció de di1ensió. Classificació amb aprenentatge supervisat: funcions de decisió, assumpcions sobre les distribucions de les dades d'aprenentatge i cerca local per trobar les funcions de decisió i decisió basada en el veí més proper. Classificació amb aprenentatge no supervisat: algorisme k-means, cerca de la millor k amb el discriminant de Fisher. Anàlisi dels algorisme.
3.2. Tècniques estructurades. Grafs o xarxes semàntiques. Definicions bàsiques i representació amb matrius d'adjacència. El problema de la correspondència de grafs, algorismes bàsics, millores i complexitat. Correspondència de grafs inexacte: mesures de similitud, distància d'edició. Cas d'estudi: string matching.
4. Resolució de problemes de raonament
4.1. Lògica i mecanismes d’inferència. Representació de coneixement: lògica proposicional i lògica de predicats. Repàs general dels algorismes bàsics: taules de veritat, deducció natural, resolució, unificació i algorismes de pas a forma clausal. Definicions bàsiques sobre sistemes basats en regles: base de regles, memòria de treball, encadenament de regles i estratègies de resolució de conflictes.
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Classes de Teoria | 30 | 1,2 | KM17, KM19 |
| Estudi Individual | 38 | 1,52 | KM17, SM24 |
| Classes de Problemes | 10 | 0,4 | CM18, SM24 |
| Pràctiques | 51 | 2,04 | CM18, KM17, KM19, SM24 |
| Classes de Pràctiques | 12 | 0,48 | CM18, SM24 |
La intel·ligència artificial es defineix pels tipus de problemes que intenta solucionar, per tant és obvi que serà la tipologia de problemes la que dirigirà l’organització de tots els continguts. Es faran tres tipus de sessions:
- Classes de teoria: Seran classes de tipus magistrals en les que l’objectiu és que el professorat expliqui els continguts teòrics de l’assignatura, fomentant la participació que permeti assegurar que l'alumnat va entenent els continguts teòrics que es transmeten.
- Classes de problemes: Seran classes amb grups més reduïts d'alumnat que facilitin la interacció. En aquestes classes es persegueix reforçar la comprensió dels temes de la teoria plantejant casos pràctics que requereixin el disseny d’una solució en la que es facin servir els mètodes vistos a les classes de teoria. És impossible seguir les classes de problemes si no es segueixen els continguts de les classes de teoria. A les sessions de problemes es faran qüestionaris interactius que permetin avaluar la participació i els assoliments dels estudiants.
- Classes de pràctiques: Són classes en les que es duran a terme diferents tipus d’activitats relacionades amb la realització individual i en equip de projectes contextualitzats. Es duen a terme tres tipus d'activitats: (a) sessions de treball en equip tutoritzades pel professor en les que es faran qüestionaris interactius que permetin avaluar la participació i els assoliments de l'alumnat. (b) sessions d'examen per avaluar el coneixement individual del codi de l'alumnat, (c) sessions de presentació de resultats en que tots els membres de l'equip de treball expliquen els resultats del seu projecte.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Defensa del projecte pràctic (Informe+Codi+Intra_grupal+Presentació+Qüestionari) | 0.4 | 3 | 0,12 | CM18, KM19, SM24 |
| Entrega dels problemes | 0.1 | 0 | 0 | KM17, KM19 |
| Exàmens individuals | 0.5 | 6 | 0,24 | CM18, KM17, KM19 |
Per avaluar el nivell d’aprenentatge de l’alumnat s’estableix una fórmula que combina l’aprenentatge de coneixements, la capacitat de resolució de problemes i les capacitats de treballar en equip, així com de la presentació dels resultats obtinguts.
La nota final es calcula ponderadament de la següent manera i d’acord amb les diferents activitats que es duen a terme:
Nota final = 0.5 * Nota Teoria + 0.1 * Nota Problemes + 0.4 * Nota Pràctiques
S'aplicarà aquesta fórmula sempre que la nota de teoria sigui més gran o igual que 5, i la nota de pràctiques sigui més gran que 6. No hi ha cap restricció sobre la nota de problemes. Si el càlcul de la fórmula surt >=5, però no arriba al mínim exigit en alguna de les activitats d'avaluació, aleshores la nota que es posarà a l'expedient és de 4.5.
La nota de teoria es calcula a partir de la mitjana de les notes dels dos exàmens parcials:
Nota Teoria = 0.5 * Nota Parcial 1 + 0.5 * Nota Parcial 2
per poder calcular aquesta nota, les notes dels Parcials han de ser superiors a 3.5. Quan es publiquin les notes dels exàmens s'anunciarà la data i l'hora d'una sessió de revisió de l'examen.
Examen de recuperació. En cas que la nota de teoria no arribi al nivell adequat per obtenir una nota final aprovada, l'alumnat es pot presentar a un examen de recuperació. Per calcular la nota final de Teoria es considera el màxim entre la nota obtinguda en l'avaluació de cada parcial durant el curs i l’examen de recuperació de cada parcial.
La nota de problemes té com objectiu provocar que l’alumnat entri amb els continguts de l’assignatura de manera continuada i a partir de petits problemes que facin que es familiaritzi directament en l’aplicació de la teoria. Com a evidència d'aquesta activitat es demana una entrega setmanal dels problemes resolts i la participació activa de l'alumant a les sessions setmanals de problemes:
Nota Problemes = 0.7 * Avaluació Entregues + 0.15 * Assistència Sessions + 0.15 * Nota Qüestionaris Sessions
per poder calcular aquesta nota el % d'entregues fetes ha de ser superior al 70%.
La nota de pràctiques té un pes essencial a la nota i pretén que l’alumnat implementi i explori les tècniques estudiades dins d'un projecte amb un objectiu global i contextualitzat. A més a més, l’alumnat ha de demostrar les seves habilitats en fer tot aquest treball individualment i en equip i presentar convincentment els resultats.La nota es calcula de la següent manera:
Nota Pràctiques = 0.5 * Nota Projecte 1 + 0.5 * Nota Projecte 2
Per a poder calcular aquesta les Nota Projecte 1 i 2 han de ser superiors o igual a 6. La nota de cada projecte es calcula a partir d'un compendi de notes:
Nota Projecte 1 = 0.5 * Nota Codi + 0.5 * Nota Examen
- Nota Codi: s’avalua a través d'un qüestionari en el que es puja part del codi..
- Nota Examen: s'avalua en forma d'un examen amb accés al propi codi.
La Nota de Codi i la Nota de l'Examen han de ser superiors o iguals a 6.
Nota Projecte 2= 0.3 * Nota Codi + 0.3 * Nota Informe + 0.15 * Presentació Grup + 0.15 * Presentació Individual + 0.1 Avaluació Intragrupal
- Nota Codi: s'avalua a través d'un qüestionari en el que es puja part del codi.
- Nota Informe: s'avalua amb l'entrega d'un informe.
- Nota Presentació Grup: s'avalua amb el document de la presentació.
- Nota Presentació Individual: s'avalua amb la presentació oral i les preguntes posteriors.
- Nota Avaluació Intragrupal: s'avalua a través d'un qüestionari.
Totes aquestes Notes (Codi, Informe, Presentació Grup, Presentació Individual, Avaluació Intragrupal) han de ser superiors o iguals a 6.
L'assistència a les Sessions de Pràctiques ha de ser superior al 70% i l'assistència a la sessió de la presentació Oral és obligatòria per tots els membres del grup. Es recomana portar una ordinador portàtil personal per fer els exàmens de pràctiques i un telèfon mòbil per als qüestionaris de les Sessions de Problemes i Pràctiques.
Recuperació de les Pràctiques. En el cas que la Nota d'un Projecte no arribi al nivell adequat per obtenir la nota final aprovada, l'alumnat tindrà l’opció de recuperació de recuperar. En cas que alguna nota d'una part d'un projecte s’hagi hagut de recuperar la nota final d'aquell projecte serà com a màxim de 7. En el cas particular d’haver de recuperar la Nota Individual del Projecte 2 aquesta es farà amb un Examen del Projecte 2 que és semblant a l'Examen del Projecte 1.
Avaluació única
Aquesta assignatura no preveu el sistema d’avaluació única.
Notes Importants:
En cas de no superar l'assignatura degut a que alguna de les activitats d'avaluació no arriba a la nota mínima requerida, la nota numèrica de l'expedient serà el mínim entre 4.5 i la mitjana ponderada de les notes, amb l'excepció que la nota numèrica de l'expedient serà el mínim entre 3.0 i la mitjana ponderada de les notes en cas que l'alumnat hagi comès irregularitats en un acte d'avaluació tals com els que l'expliquen més abaix (i per tant no serà possible l'aprovat per compensació).
L'alumnat tindrà la qualificació de "No Avaluable" en el cas que l'alumnat no hagi participat en cap de les activitat d'avaluació.
L'alumnat tindrà una nota de "Matricula d'Honor" si el seu número en el ranking està per sota del nombre màxims de MH permeses en el curs, i la seva nota final és superior a un llindar que establirà el professorat en el moment que tingui totes les notes finals.
Les dates d'avaluació continuada i lliurament de treballs es publicaran al Campus Virtual i poden estar subjectes a canvis de programació per motius d'adaptació a possibles incidències. Sempre s'informarà a cv.uab.cat sobre aquests canvis ja que s'entén que aquesta és la plataforma habitual d'intercanvi d'informació entre professorat i alumnat.
En el cas d'alumnat repetidor de l'assignatura no es farà cap convalidació amb una nota obtinguda en un any anterior.
Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa acadèmica vigent, les irregularitats comeses per l'alumnat que puguin conduir a una variació de la qualificació 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:
- 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 membres del grup;
- 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'alumnat.
- tenir dispositius de comunicació (com telèfons mòbils, smart watches, etc.) accessibles durant les proves d'avaluació teòric-pràctiques individuals (exàmens).
En resum: copiar, deixar copiar o plagiar en qualsevol de les activitats d'avaluació equival a un SUSPENS amb nota inferior o iguala 3,0.
En aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial(IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat.
En cas de necessitar una reprogramació d'examen cal seguir el Protocol de sol·licitud de reprogramació d’activitats d’avaluació de l'Escola d'Enginyeria.
Bibliografia
- S. Russell i P. Norvig, Artificial Intelligences - A modern approach. Prentice Hall, 2003, http://aima.cs.berkeley.edu/
https://bibcercador.uab.cat/permalink/34CSUC_UAB/avjcib/alma991010688804606709
- Tveter, Donald R., (1998), The Pattern Recognition basis of Artificial Intelligence. IEEE Computer Society.
- Stuart Russell. Human Compatible: AI and the Problem of Control Penguin Publishing Group, Octubre 2019
- Melanie Mitchell. Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux, Octubre 2019.
Vídeos interessants:
- Documental CODEBREAKER http://www.turingfilm.com/about/overview
- Documental Netflix AlphaGo (2017) https://es.wikipedia.org/wiki/AlphaGo_(pel%C3%ADcula)
Programari
Entorn de programació en Python amb especial atenció a la llibreria Numpy
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 | 41 | Anglès | segon quadrimestre | matí-mixt |
| (TE) Teoria | 43 | Català | segon quadrimestre | matí-mixt |
| (TE) Teoria | 45 | Català | segon quadrimestre | tarda |
| (PAUL) Pràctiques d'aula | 411 | Anglès | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 411 | Anglès | segon quadrimestre | matí-mixt |
| (PAUL) Pràctiques d'aula | 412 | Anglès | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 412 | Anglès | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 413 | Anglès | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 414 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 415 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 416 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 417 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 418 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 419 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 420 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 421 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 422 | Català | segon quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 423 | Català | segon quadrimestre | matí-mixt |
| (PAUL) Pràctiques d'aula | 431 | Català | segon quadrimestre | matí-mixt |
| (PAUL) Pràctiques d'aula | 432 | Català | segon quadrimestre | matí-mixt |
| (PAUL) Pràctiques d'aula | 451 | Català | segon quadrimestre | tarda |
| (PAUL) Pràctiques d'aula | 452 | Català | segon quadrimestre | tarda |