Lingüística y Lenguas Aplicadas Plan 2019

Grado y Doble Grado. Curso 2022/2023.

MODELOS DE REPRESENTACIÓN FORMAL DEL CONOCIMIENTO - 805143

Curso Académico 2022-23

Datos Generales

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.
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.
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.

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.

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. Diseño de Bases de Datos
2.1. Arquitectura en tres niveles
2.2. Diseño conceptual, diseño lógico y diseño físico
2.3. Bases de datos relacionales
2.4. Transformación del modelo Entidad-Relación al modelo Relacional
2.5. Más allá del modelo relacional: Bases de Datos orientadas a objetos, Bases de Datos deductivas y Bases de Datos XML (opcional)
2.6. Evaluación de los conocimientos

3. Uso de Bases de Datos
3.1. Sentencias de definición de datos
3.1.1 Creación de tablas
3.1.2 Restricciones de tabla y de columna
3.1.3 Creación y borrado de vistas (opcional)
3.2. Sentencias de manipulación de datos
3.2.1 Inserción, borrado y manipulación de filas
3.2.2 Consultas
3.2.3 La unión, la intersección y la diferencia (opcional)
3.3. Práctica

4. Lógica proposicional
4.1. Proposición y valor de verdad
4.2. Conectivas lógicas y tablas de verdad
4.3. Satisfacibilidad, validez, consecuencia y equivalencia
4.4. Demostraciones
4.5. Práctica

5. Lógica de predicados
5.1. Predicados y argumentos
5.2. Cuantificadores y su ámbito
5.3. Deducción natural
5.4. Tablas semánticas
5.5. Práctica

6. Otras lógicas (opcional)
6.1. Lógica difusa
6.2. Lógica intensional
6.3. Evaluación de los conocimientos

Evaluación

La evaluación será fundamentalmente continua y se realizará a partir de las calificaciones obtenidas en las prácticas de entrega obligatoria al finalizar cada módulo.

Los plazos de entrega de entrega de las prácticas son únicos y no se permite la entrega de prácticas para la convocatoria de julio. Las prácticas suspensas o no presentadas únicamente podrán recuperarse si se superan los módulos del examen final de los temas correspondientes.

La calificación final se obtendrá de la forma siguiente:
- El 10% se obtiene de la participación y trabajo continuado en las sesiones presenciales.
- El 20% se obtiene de un examen al final del cuatrimestre 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.
- El 70% restante se obtiene de la media aritmética de las calificaciones de las prácticas y evaluaciones continuas de cada tema.

Aunque el alumno no supere la evaluación continua, podrá presentarse al examen final. En ese caso, la calificación final de la asignatura será la del examen, en el que todos los módulos deberán estar aprobados.

Durante el curso 2020-2021, debido a la situación de emergencia, se detallan dos posibilidades para la evaluación final en la convocatoria extraordinaria, para adelantarnos a todos los posibles escenarios. En el caso de poderse realizar examen presencial, la evaluación se realizará tal y como se detalla en el párrafo anterior. En el caso de no poderse realizar examen presencial, la evaluación se realizará online y quienes hayan aprobado deberán concertar con la profesora una entrevista presencial de unos 15 minutos de duración en la que deberán responder cuestiones sobre su entrega planteadas por la profesora en directo.

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

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo A12/09/2022 - 21/12/2022MARTES 12:30 - 14:30A-LAB 009LARA ALONSO SIMON
MIÉRCOLES 12:30 - 14:30A-LAB 009LARA ALONSO SIMON