Lingüística y Lenguas Aplicadas Plan 2019
Grado y Doble Grado. Curso 2024/2025.
MODELOS DE REPRESENTACIÓN FORMAL DEL CONOCIMIENTO - 805143
Curso Académico 2024-25
Datos Generales
- Plan de estudios: 080K - GRADO EN LINGÜÍSTICA Y LENGUAS APLICADAS (2019) (2019-20)
- Carácter: Optativa
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
Competencias generales transversales (CGT)
CGT1: Capacidad de análisis y síntesis
CGT2: Capacidad de aplicar los conocimientos en la práctica.
CGT5: Conocimientos sobre el área de estudio.
CGT6: Conocimientos de informática y tecnologías.
CGT1: Capacidad de análisis y síntesis
CGT2: Capacidad de aplicar los conocimientos en la práctica.
CGT5: Conocimientos sobre el área de estudio.
CGT6: Conocimientos de informática y tecnologías.
Específicas
CE31: Capacidad para utilizar la informática como herramienta de apoyo al estudio de la Lingüística.
CE32: Capacidad para aplicar los conocimientos adquiridos en Lingüística y lenguas a cuestiones básicas del procesamiento del lenguaje natural.
CE33: Capacidad para utilizar los conocimientos de Lingüística computacional en el análisis lingüístico. CE34: Capacidad de construir una aplicación de procesamiento del lenguaje natural. CE35: Capacidad para diseñar y construir componentes lingüísticos básicos utilizados en el procesamiento del lenguaje natural.
CE36: Capacidad para valorar los resultados de una aplicación de procesamiento del lenguaje natural.
CE32: Capacidad para aplicar los conocimientos adquiridos en Lingüística y lenguas a cuestiones básicas del procesamiento del lenguaje natural.
CE33: Capacidad para utilizar los conocimientos de Lingüística computacional en el análisis lingüístico. CE34: Capacidad de construir una aplicación de procesamiento del lenguaje natural. CE35: Capacidad para diseñar y construir componentes lingüísticos básicos utilizados en el procesamiento del lenguaje natural.
CE36: Capacidad para valorar los resultados de una aplicación de procesamiento del lenguaje natural.
Otras
Competencias sistémicas (CS)
CS1: Capacidad de aprender.
CS2: Capacidad crítica y autocrítica.
CS3: Capacidad de resolución de problemas.
CS5Capacidad de generar nuevas ideas.
Competencias personales (CP)
CP1: Habilidad para trabajar de forma autónoma.
CP2: Capacidad de trabajar en equipo.
CP3: Habilidad para trabajar en un contexto internacional.
CS1: Capacidad de aprender.
CS2: Capacidad crítica y autocrítica.
CS3: Capacidad de resolución de problemas.
CS5Capacidad de generar nuevas ideas.
Competencias personales (CP)
CP1: Habilidad para trabajar de forma autónoma.
CP2: Capacidad de trabajar en equipo.
CP3: Habilidad para trabajar en un contexto internacional.
ACTIVIDADES DOCENTES
TOTAL
Créditos presenciales: Se valorará muy positivamente la asistencia y la participación en las discusiones de clase, así como la realización y entrega en fecha de los ejercicios prácticos.
Créditos no presenciales: Trabajos de investigación, lecturas y realización de ejercicios y prácticas propuestos en clase. Realización de prácticas propuestas en clase.
Créditos no presenciales: Trabajos de investigación, lecturas y realización de ejercicios y prácticas propuestos en clase. Realización de prácticas propuestas en clase.
Presenciales
2
No presenciales
4
Semestre
7
Breve descriptor:
La asignatura presenta una introducción a los principales formalismos para la respresentación del conocimiento utilizados en Inteligencia Artificial, con especial énfasis en aquellos utilizados para representar conocimiento lingüístico.
Requisitos
Los requisitos previos de la asignatura se alcanzan una vez completado con éxito las asignaturas Iniciación a la Informática (I y II) del módulo 1 y el módulo 2 completo.
Objetivos
El objetivo principal de esta asignatura es conocer y manejar los principales formalismos para la respresentación del conocimiento utilizados en Inteligencia Artificial. Se introducirá el problema de la respresentación general del conocimiento y los mecanismos de razonamiento simbólico, las diferencias entre conocimiento declarativo y procedimental, los diferentes sistemas basados en lógica y en reglas y distintos formalismos de representación como redes semánticas, marcos, conjuntos de reglas y ontologías.
Contenido
1. Introducción
1.1. Datos, información y conocimiento; los niveles de conocimiento lingüístico
1.2. La representación del conocimiento y los sistemas basados en conocimiento
1.3. Redes semánticas, marcos y ontologías (opcional)
1.4. Evaluación de los conocimientos
2. Lógica proposicional
2.1. Proposición y valor de verdad
2.2. Conectivas lógicas y tablas de verdad
2.3. Satisfacibilidad, validez, consecuencia y equivalencia
2.4. Demostraciones
2.5. Práctica
3. Lógica de predicados
3.1. Predicados y argumentos
3.2. Cuantificadores y su ámbito
3.3. Deducción natural
3.4. Tablas semánticas
3.5. Práctica
4. Diseño de Bases de Datos
4.1. Arquitectura en tres niveles
4.2. Diseño conceptual, diseño lógico y diseño físico
4.3. Bases de datos relacionales
4.4. Transformación del modelo Entidad-Relación al modelo Relacional
4.5. Más allá del modelo relacional: Bases de Datos orientadas a objetos, Bases de Datos deductivas y Bases de Datos XML (opcional)
4.6. Evaluación de los conocimientos
5. Uso de Bases de Datos
5.1. Sentencias de definición de datos
5.1.1 Creación de tablas
5.1.2 Restricciones de tabla y de columna
5.1.3 Creación y borrado de vistas (opcional)
5.2. Sentencias de manipulación de datos
5.2.1 Inserción, borrado y manipulación de filas
5.2.2 Consultas
5.2.3 La unión, la intersección y la diferencia (opcional)
5.3. Práctica
Evaluación
La evaluación será continua y se realizará a partir de las calificaciones obtenidas en las evaluaciones de conocimiento y en las prácticas de entrega obligatoria que se hagan de cada tema. Los plazos de realización de las evaluaciones y entrega de prácticas son únicos. El alumno que no entregue en el plazo establecido tendrá una penalización en la calificación que depende del tiempo de retraso.
Al finalizar el curso se realizará un examen final con preguntas de carácter teórico y práctico sobre los contenidos de la asignatura. Para aprobar la asignatura es imprescindible aprobar el examen final.
La calificación final se obtendrá:
- El 10 % se obtiene de la participación y trabajo continuo en las sesiones presenciales.
- El 40 % se obtiene de las calificaciones de las prácticas y evaluaciones continuas de cada tema.
- El 50 % se obtiene de la calificación en el examen final sobre los contenidos teóricos y prácticos desarrollados durante el curso. Es requisito indispensable aprobar el examen al margen de que la media final supere el 5.
Al finalizar el curso se realizará un examen final con preguntas de carácter teórico y práctico sobre los contenidos de la asignatura. Para aprobar la asignatura es imprescindible aprobar el examen final.
La calificación final se obtendrá:
- El 10 % se obtiene de la participación y trabajo continuo en las sesiones presenciales.
- El 40 % se obtiene de las calificaciones de las prácticas y evaluaciones continuas de cada tema.
- El 50 % se obtiene de la calificación en el examen final sobre los contenidos teóricos y prácticos desarrollados durante el curso. Es requisito indispensable aprobar el examen al margen de que la media final supere el 5.
Bibliografía
La mayor parte de los materiales de referencia son de elaboración propia a partir de tutoriales y recursos disponibles libremente en internet.
Libros
Bird, S., Klein, E. , Loper, E. Natural Language Processing with Python. O¿Reilly Media. 2009. http://books.google.es/books?id=KGIbfiiP1i4C
Helbig, H. Knowledge Representation and the Semantics of Natural Language. Springer. 2006. http://www.springer.com/computer/ai/book/978¬3¬540¬24461¬5
Hortalá, M. T., Leach, J., Rodríguez, M. Matemática discreta y lógica matemática. Editorial Complutense. 3a edición. 2008. http://books.google.es/books?id=i7-bsfuIKIIC
Jurafsky, D. and Martin, J.H. Speech and Language Processing. Pearson Prentice Hall. 2008. http://books.google.es/books?id=fZmj5UNK8AQC
Manning, C. and Schütze, H. Foundations of Statistical NLP. MIT Press. 1999. http://books.google.es/books?id=YiFDxbEX3SUC
Partee, B., ter Meulen, A. and Wall, R. Mathematical Methods in Linguistics. Kluwer Academic Publisher. 1990. http://books.google.es/books?id=qV7TUuaYcUIC
Van Harmelen, F., Lifschitz, V. and Porter, B. Handbook of Knowledge Representation (Foundations of Artificial Intelligence). Elsevier. 2008. http://0-www.sciencedirect.com.cisne.sim.ucm.es/science/bookseries/15746526/3
Libros
Bird, S., Klein, E. , Loper, E. Natural Language Processing with Python. O¿Reilly Media. 2009. http://books.google.es/books?id=KGIbfiiP1i4C
Helbig, H. Knowledge Representation and the Semantics of Natural Language. Springer. 2006. http://www.springer.com/computer/ai/book/978¬3¬540¬24461¬5
Hortalá, M. T., Leach, J., Rodríguez, M. Matemática discreta y lógica matemática. Editorial Complutense. 3a edición. 2008. http://books.google.es/books?id=i7-bsfuIKIIC
Jurafsky, D. and Martin, J.H. Speech and Language Processing. Pearson Prentice Hall. 2008. http://books.google.es/books?id=fZmj5UNK8AQC
Manning, C. and Schütze, H. Foundations of Statistical NLP. MIT Press. 1999. http://books.google.es/books?id=YiFDxbEX3SUC
Partee, B., ter Meulen, A. and Wall, R. Mathematical Methods in Linguistics. Kluwer Academic Publisher. 1990. http://books.google.es/books?id=qV7TUuaYcUIC
Van Harmelen, F., Lifschitz, V. and Porter, B. Handbook of Knowledge Representation (Foundations of Artificial Intelligence). Elsevier. 2008. http://0-www.sciencedirect.com.cisne.sim.ucm.es/science/bookseries/15746526/3
Estructura
| Módulos | Materias |
|---|---|
| No existen datos de módulos o materias para esta asignatura. | |
Grupos
| Clases teóricas y/o prácticas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo A | 12/09/2024 - 13/12/2024 | MARTES 12:30 - 14:30 | A-LAB 009 | LARA ALONSO SIMON |
| MIÉRCOLES 12:30 - 14:30 | A-LAB 009 | LARA ALONSO SIMON | ||