Consulta de Guías Docentes



Academic Year/course: 2023/24

534 - Master's Degree in Informatics Engineering

62220 - Intelligent Systems


Syllabus Information

Academic year:
2023/24
Subject:
62220 - Intelligent Systems
Faculty / School:
110 - Escuela de Ingeniería y Arquitectura
Degree:
534 - Master's Degree in Informatics Engineering
ECTS:
6.0
Year:
1
Semester:
First semester
Subject type:
Compulsory
Module:
---

1. General information

The subject aims to teach the student how to design intelligent systems capable of solving complex problems. These types of systems are based on a diverse set of tools that cover different topics such as knowledge representation, planning, learning, decision making, perception and inference from uncertainty. The subject is presented as a combination of theory and practice that allows the student to determine which techniques are most appropriate for a given problem as well as to implement and use the corresponding algorithms to develop the system.

These approaches and objectives are aligned with the Sustainable Development Goals (SDG) of the United Nations 2030 Agenda ( https://www.un.org/sustainabledevelopment/es/), specifically, the learning activities provided for in this subject will contribute to Goals 8 and 9.

 

 

2. Learning results

Upon completion of the subject, the student will be able to:

1. Critically analyse artificial intelligence algorithms and their application in different projects.

2. Choose, develop and evaluate artificial intelligence algorithms to solve multidisciplinary problems of an academic, industrial or administrative nature.

3. Present the technical and/or scientific results obtained from artificial intelligence algorithms in a concise manner.

4. Evaluate the opportunities to apply artificial intelligence methods to current and future societal problems with an emphasis on the intersection of artificial intelligence with other disciplines.

 

 

3. Syllabus

1. Models for intelligent systems

 1.1 Graphic models

 1.2 Hidden Markov Models

 1.3 State-space Models

 1.4 Application to scene recognition and object tracking with vision

2. Decision making: planning and learning

 2.1 Markov Decision Processes (MDP)

 2.2 Planning in MDPs

 2.3 Reinforcement learning

 2.4 Applications in robotics and video games

3. Multi-agent systems

 3.1 Theory of agents and multi-agent systems

 3.2 Design Workshop SMA+JADE

 3.2 Application exercises

 

 

4. Academic activities

The planned teaching for the face-to-face sessions at the Río Ebro campus is as follows:

  • Master classes

  • Problem solving and cases

  • Laboratory practices

The schedule for all classes and dates for the practical sessions will be announced well in advance through the centre’s and the subject's websites.

The proposed projects will be delivered at the end of the semester, on the dates indicated.

 

 

5. Assessment system

In order to pass the subject, the student must demonstrate they has acquired the foreseen learning results by the following assessment activities:

P1 [30%] - Written and laboratory test. Open face-to-face test on practical cases proposed by the teachers or on the project developed by the student. Face-to-face laboratory practices. Learning results: 1, 2, 3, 4 and 5.

P2 [60%] - Directed works. Assignments, exercises and reports from laboratory practices in which the knowledge and skills acquired in the subject will be put into practice. Learning results: 3, 4 and 5.

P3 [10%] - Oral presentations and debates. The oral presentations of the work, exercises and practices will be valued. Learning results: 1, 2, 3, 4 and 5.

In order to pass the subject, the student must pass the exam (written test in P1) with a grade of 5 out of 10 points (N1), and the laboratory practices (face-to-face in P1 and report of the practices in P2) with a grade of 5 out of 10 points (N2). If the students passes both tests, the final grade will be calculated according to the following formula: 0.3*N1+0.6*N2+0.1*N3. In the event that the student does not pass N1 and N2, the final grade will be the highest of the two. In case the student does not pass N1 or N2, the grade will be that of the failed test.

The student who does not choose the evaluation procedure described above, does not pass these tests during the teaching period, or who would like to improve their grade, will be entitled to a comprehensive test, which will be scheduled within the exam period corresponding to the first or second call. The evaluation of this global test will be carried out with the same criteria as those applied in the teaching period.

 

 


Curso Académico: 2023/24

534 - Máster Universitario en Ingeniería Informática

62220 - Sistemas inteligentes


Información del Plan Docente

Año académico:
2023/24
Asignatura:
62220 - Sistemas inteligentes
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
534 - Máster Universitario en Ingeniería Informática
Créditos:
6.0
Curso:
1
Periodo de impartición:
Primer semestre
Clase de asignatura:
Obligatoria
Materia:
---

1. Información básica de la asignatura

La asignatura tiene como objetivo dotar al alumno de la capacidad de diseñar sistemas inteligentes capaces de resolver problemas complejos. Este tipo de sistemas se basan en un conjunto diverso de herramientas que abarcan temas diversos como la representación del conocimiento, la planificación, el aprendizaje, la toma de decisiones, la percepción y la inferencia a partir de la incertidumbre. La asignatura se plantea como una combinación de teoría y práctica que permita al alumno determinar qué técnicas son los más apropiados para un problema determinado e implementar y usar los algoritmos correspondientes para desarrollar el sistema.

Estos planteamientos y objetivos están alineados con los Objetivos de Desarrollo Sostenible (ODS) de la Agenda 2030 de Naciones Unidas (https://www.un.org/sustainabledevelopment/es/), en concreto, las actividades de aprendizaje previstas en esta asignatura contribuirán a los Objetivos 8 y 9.

2. Resultados de aprendizaje

El alumno deberá ser capaz de:

1. Analizar críticamente algoritmos de inteligencia artificial y su aplicación en proyectos de diversa naturaleza.

2. Elegir, desarrollar y evaluar algoritmos de inteligencia artificial para resolver problemas con carácter multidisciplinar de naturaleza académica, industrial o de la administración.

3. Presentar de forma sintética los resultados técnicos y/o científicos obtenidos a partir de algoritmos de inteligencia artificial.

4. Evaluar las oportunidades de aplicación de métodos de inteligencia artificial en problemas actuales y futuros de la sociedad con un énfasis en la intersección de la inteligencia artificial con otras disciplinas.

3. Programa de la asignatura

1. Modelos para Sistemas Inteligentes

 1.1 Modelos gráficos

 1.2 Hidden Markov Models

 1.3 State-space Models

 1.4 Aplicación a reconocimiento de escenas y tracking de objetos con visión

2. Toma de decisiones: planificación y aprendizaje

 2.1 Markov Decision Processes (MDP)

 2.2 Planificación en MDPs

 2.3 Aprendizaje por refuerzo

 2.4 Aplicaciones en robótica y videojuegos

3. Sistemas multi-agente

 3.1 Teoría de agentes y sistemas multi-agente

 3.2 Taller de diseño SMA+JADE

 3.2 Ejercicios de aplicación

4. Actividades académicas

La organización docente prevista de las sesiones presenciales en el campus Río Ebro es la siguiente:

  • Clases magistrales
  • Resolución de problemas y casos
  • Prácticas de laboratorio

Los horarios de todas las clases y fechas de las sesiones de prácticas se anunciarán con suficiente antelación a través de las webs del centro y de la asignatura.

Los proyectos propuestos serán entregados al finalizar el cuatrimestre, en las fechas que se indiquen.

5. Sistema de evaluación

El estudiante deberá demostrar que ha alcanzado los resultados de aprendizaje previstos mediante las siguientes actividades de evaluación:

P1 [30%] - Prueba escrita y de laboratorio. Prueba presencial abierta sobre casos prácticos propuestos por los profesores o el proyecto desarrollado por el alumno. Prácticas de laboratorio presenciales. Resultados de aprendizaje: 1, 2, 3, 4 y 5.

P2 [60%] - Trabajos dirigidos. Trabajos, ejercicios, e informes de las prácticas de laboratorio, en los que se pondrá en práctica los conocimientos y habilidades adquiridos en la asignatura. Resultados de aprendizaje: 3, 4 y 5.

P3 [10%] - Presentaciones y debates de forma oral. Se valorarán las presentaciones orales realizadas de los trabajos, ejercicios y las prácticas. Resultados de aprendizaje: 1,2, 3, 4 y 5.

Para aprobar la asignatura será necesario superar el examen (prueba escrita en P1) con una nota de 5 sobre 10 puntos (N1), y las prácticas de laboratorio (presencial en P1 e informe de las prácticas en P2) con una nota de 5 sobre 10 puntos (N2). En caso de superar ambas pruebas, la nota final se calculará de acuerdo a la siguiente fórmula: 0.3*N1+0.6*N2+0.1*N3. En caso de no superar ni N1 ni N2, la nota final será de la mayor de ellas. En caso de no superar N1 o N2, la nota será la de la prueba  no superada.

El estudiante que no opte por el procedimiento de evaluación descrito anteriormente, que no supere dichas pruebas durante el periodo docente, o que quisiera mejorar su calificación, tendrá derecho a realizar una prueba global,  que será programada dentro del periodo de exámenes correspondiente a la primera o segunda convocatoria. La evaluación de esta prueba global se realizará con los mismos criterios que los aplicados en el periodo docente.