CG1: Conocer y comprender los métodos automatizados para producir conocimiento, codificarlo, archivarlo y utilizarlo.

CT1: Evaluación crítica de la innovación.
CT2: Elaboración y defensa de argumentos fundamentados ceintíficamente.
CT3: Formalización de problemas complejos.
CT4: Trabajo en equipo y colaboración con otros profesionales
CT5: Pensamiento crítico y, en particular, capacidad para la autocrítica.
CT6: Habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía y, en particular, para el desarrollo y mantenimiento actualizado de las competencias, destrezas y conocimientos propios de la profesión.

CE1: Conocer los métodos y sistemas informáticos existentes para crear conocimiento, codificarlo y utilizarlo.
CE2: Conocer las aplicaciones de la tecnología del conocimiento.
CE3: Ser capaz de resolver problemas complejos sirviéndose de las técnicas y sistemas estudiados.

1. Ser capaz de comprender la literatura científica especializada.
2. Análisis y síntesis.
3. Organización y planificación.
4. Realizar análisis de problemas
5. Diseñar soluciones basadas en los conocimientos adquiridos.
6. Habilidades comunicativas: elaborar correctamente informes.

2º cuatrimestre.
En ellas se expondrán en forma panorámica las ideas centrales de cada tema, que va a ser desarrollado más en detalle en la correspondiente lectura.

Intercaladas con las teóricas.
Realización de sistemas artificiales capaces de generar conocimiento y cuyo resultado familiarizará al alumno con algunos sistemas reales; los resultados obtenidos en clase servirán de base para los trabajos prácticos que han de desarrollar autónomamente cada estudiante.

Podrán proponerse:
- Lectura de textos
- Realización de un trabajo personal sobre cada lectura
- Realización de trabajos prácticos, partiendo de los resultados obtenidos en las clases prácticas.

45 horas de clase presencial + las horas de trabajo personal del estudiante.

4,5

2

Inteligencia artificial. Percepción y visión artificial. Minería de datos y de textos. Codificación del conocimiento y sistemas expertos. Usabilidad. Realidad virtual y aumentada. Aprendizaje automático (machine learning). Redes neuronales.

La evaluación se realizará mediante:

- Examen de cuestiones teóricas y prácticas. Supondrán 70% de la calificación.
- Trabajos individuales o grupales. Supondrán 30% de la calificación.

De acuerdo con lo establecido en el artículo 5 del Real Decreto 1125/2003, los resultados obtenidos por el alumno se calificarán en función de la siguiente escala numérica de 0 a 10, con expresión de un decimal, a la que podrá añadirse su correspondiente calificación cualitativa:
0-4,9: Suspenso (SS).
5,0-6,9: Aprobado (AP).
7,0-8,9: Notable (NT).
9,0-10: Sobresaliente (SB).

La asignatura dispondrá de material bibliográfico que se distribuirá a los alumnos escalonadamente a lo largo del curso y
desde el Campus Virtual de la UCM. Los datos de acceso serán facilitados al comienzo del curso.

BIBLIOGRAFÍA ORIENTATIVA:

•Barceló García M. Inteligencia Artificial. UOC La Universidad Virtual (eBook). 2002
•de Jorge Botana, Guillermo. Introducción al análisis de la semántica latente y detalles para la ciencia cognitiva. Editorial
Garceta.2022.
• de Jorge Botana, Guillermo. Redes Neuronales Recurrentes y Transformers para modelos cognitivos del lenguaje. Ediciones
Complutense. 2024.
•García Martínez R, Britos PV. Ingeniería de Sistemas expertos. Editorial Nueva Librería, 2004
•Hernández, J.; Ramírez, M.J. y Ferri, C. Introducción a la Minería de Datos, Prentice Hall / Addison Wesley, 2004.
•Jáñez, L. Visión Artificial en "Informática: aspectos y fronteras actuales". Real Academia de Ciencias Exactas, Físicas y
Naturales, pp 69-103, 1.988.
•Mallot, H..A. Computational Vision: Information Processing in Perception and Visual Behavior. MIT Press 2000.
•Matich, D. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Documento de trabajo. Universidad Tecnológica
Nacional.
•McCulloch, W. & Pitts, W. (1943). A Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of mathematical biophysics,
5(4), pp. 115-133.
•Nilsson, N. J. Problem Solving Methods in Artificial Intelligence. McGraw Hill, New York, 1971.
•Rich, E. y Knight, K. Inteligencia artificial (segunda edición) McGraw-Hill Interamericana, 1994.