Guía docente de Aplicaciones Avanzadas en Inteligencia Artificial (MD6/56/1/13)

1. Introducción a aplicaciones avanzadas de IA
2. Herramientas avanzadas de IA
3. Bibliotecas de IA
4. IA en la nube
5. Repositorios de fuentes de datos y de código abierto

Los alumnos deberán tener conocimientos previos de estadística y métodos numéricos básicos.

• Aprender las técnicas más comunes de inteligencia artificial en el que se basan los modelos de inteligencia computacional.
• Demostrar el manejo de herramientas de la inteligencia computacional para diseñar soluciones para resolver diferentes problemas concretos.
• Aplicar los conocimientos sobre inteligencia artificial para diseñar modelos para diferentes casos de uso.
• Conocer espacios de datos abiertos, fuentes de datos y soluciones existentes para resolver diversos casos de uso.

• Introducción a aplicaciones avanzadas de IA
• Herramientas avanzadas de IA. Se presentarán herramientas como puede ser IBM Watson, Microsoft Azure, ChatGpt, Copilot, Knime u Orange para su empleo en casos de estudio sociales.
• Bibliotecas de IA. Se conocerá el empleo de bibliotecas como Scikit-learn, TensorFlow, Keras o PyTorch para su empleo en casos de estudio de análisis de datos sociales.
• IA en la nube, con un repaso a los servicios que ofrecen los principales proveedores de soluciones cloud.
• Repositorios de fuentes de datos y de código abierto (Plataformas de datos abiertos como Kaggle, DrivenData, CrowdANALYTIX, Topcoder, Numerai, CodaLab, AIcrowd, Zindi y DataCamp Competitions).

En la parte práctica de la asignatura se realizará todo el proceso necesario para la creación de modelos basados en inteligencia artificial a través del empleo de bibliotecas de IA o sistemas de IA en la nube.

• Bibliotecas de IA.
• IA en la nube.
• Repositorios de fuentes de datos y de código abierto.

• Al-Aamri, J., & Osman, N. E. (2022). The Role of Artificial Intelligence Abilities in Library Services. 19(3A). https://doi.org/doi:10.34028/iajit/19/3A/16 
• Bagchi, M. (2020). Conceptualising a library chatbot using open source conversational artificial intelligence. https://doi.org/doi:10.14429/djlit.40.6.15611 
• Cox, A. M., Pinfield, S., & Rutter, S. (2019). The intelligent library. 37(3), 418–435. https://doi.org/doi:10.1108/LHT-08-2018-0105 
• Davis, M. (2019). Libraries are the Opposite of Artificial Intelligence. 95(1), 7–8. https://search.proquest.com/docview/2266903467 
• Hussain, A. (2023). Use of artificial intelligence in the library services: prospects and challenges. 40(2), 15–17. https://doi.org/doi:10.1108/LHTN-11-2022-0125 
• Jagdale, S. (2018). Scope of Artificial Intelligence (AI) in Library Systems. 6(2), 24–27. https://search.proquest.com/docview/2556442368 
• Jayawardena, C., Reyal, S., Kekirideniya, K. ., Wijayawardhana, G. H. ., Rupasinghe, D. G. I. ., & Lakranda, S. Y. R. . (2021). Artificial Intelligence Based Smart Library Management System. 6, 1–6. https://doi.org/doi:10.1109/ICRAIE52900.2021.9703998 
• Johnson, B. (2018). Libraries in the Age of Artificial Intelligence (Vol. 38, Issue 1, pp. 14–16). Information Today, Inc. https://search.proquest.com/docview/1989485138 
• Morriello, R. (2020). Blockchain, intelligenza artificiale e internet delle cose in biblioteca. 59(1/2), 45. https://doi.org/doi:10.2426/aibstudi-11927 
• Oyelude, A. A. (2021). AI and libraries: trends and projections. 38(10), 1–4. https://doi.org/doi:10.1108/LHTN-10-2021-0079 
• Quinde Cordero, M., & Arévalo Molina, J. (2023). ChatGPT: la creación automática de contenidos con Inteligencia Artificial y su impacto en la comunicación académica y educativa. 22, 136–142. https://dialnet.unirioja.es/servlet/oaiart?codigo=8965142 
• Ratledge, D. (2017). Looking Ahead to Artificial Intelligence in Libraries. 67(4). https://search.proquest.com/docview/2154362637 

• Bin, N., Komosany, A., & Rashid, G. (2021). Emerging technologies in academic libraries: artificial intelligence and big data. https://doi.org/doi:10.14456/ITJEMAST.2021.74 
• Cordell, R. (2020). Machine Learning + Libraries: A report on the state of the field. https://labs.loc.gov/static/labs/work/reports/Cordell-LOC-ML-report.pdf 
• Cox, A. (2021). The impact of AI, machine learning, automation and robotics on the information professions: A report for CILIP. https://www.cilip.org.uk/general/custom.asp?page=researchreport
• González Arencibia, M., & Martínez Cardero, D. (2020). Dilemas éticos en el escenario de la inteligencia artificial. 25(57), 1–18. https://doi.org/doi:10.15359/eys.25-57.5 
• Lee, B. (2022). The “Collections as ML Data” Checklist for Machine Learning & Cultural Heritage. Preprint. https://doi.org/10.48550/arXiv.2207.02960 
• Luca, E., Narayan, B., & Cox, A. (2022). Artificial Intelligence and Robots for the Library and Information Professions. 71(3), 185–188. https://doi.org/doi:10.1080/24750158.2022.2104814 
• Upshall, M. (2022). An AI toolkit for libraries. Insights 35: 18. https://doi.org/10.1629/uksg.592 

• Enfoque europeo de la inteligencia artificial - https://digital-strategy.ec.europa.eu/es/policies/european-approach-artificial-intelligence 
• Excelencia y confianza en la inteligencia artificial - https://commission.europa.eu/strategy-and-policy/priorities-2019-2024/europe-fit-digital-age/excellence-and-trust-artificial-intelligence_es 

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se le haya reconocido el derecho a la evaluación única final.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de las siguientes pruebas:

• Participación en actividades presenciales. Contribuciones de los estudiantes en las sesiones presenciales y cumplimiento de normas y requisitos.
• Presentación y exposición de prácticas de ordenador. Trabajos realizados individualmente o por un grupo de alumnos bajo la supervisión del profesor y su exposición en el aula ante el resto de los compañeros.
• Presentación y exposición de trabajos. Trabajos realizados individual o colaborativamente por los alumnos, así como su exposición en el aula ante el resto de los compañeros.

CRITERIOS DE EVALUACIÓN:

• Se valorará la utilización de las técnicas adecuadas para resolver los problemas planteados. También se valorará la claridad y rigor de las argumentaciones realizadas (5%).
• Se valorará la participación activa en las actividades docentes (5%).
• La presentación y exposición de prácticas de evaluación continua tendrá una ponderación máxima del 40%.
• La presentación y exposición del trabajo final tendrá una ponderación máxima del 50%

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.

La nota final de la evaluación extraordinaria se obtendrá de forma ponderada a través de las notas finales obtenidas en dos apartados: Los aprendizajes aplicados de lo que hubiera correspondido a la evaluación continua y la evaluación de los contenidos teóricos de la materia:

• Examen final parte práctica: 40%
• Examen final parte teórica: 60%

CRITERIOS DE EVALUACIÓN:

Se tendrá en cuenta que en el proceso de aprendizaje cada estudiante haya aprendido los siguientes aspectos: Conocimiento teórico-práctico de las principales herramientas, aplicaciones y bibliotecas avanzadas de IA, así como su aplicación práctica a diversos casos de estudio del ámbito de las ciencias sociales.

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que podrán acogerse a la evaluación única final, el estudiantado que no pueda cumplir con el método de evaluación continua por causas justificadas.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La nota final de la evaluación única final se obtendrá de forma ponderada a través de las notas finales obtenidas en dos apartados: Los aprendizajes aplicados de lo que hubiera correspondido a la evaluación continua y la evaluación de los contenidos teóricos de la materia:

• Examen final parte práctica: 40%
• Examen final parte teórica: 60%

CRITERIOS DE EVALUACIÓN:

Se tendrá en cuenta que en el proceso de aprendizaje cada estudiante haya aprendido los siguientes aspectos: Conocimiento teórico-práctico de las principales herramientas, aplicaciones y bibliotecas avanzadas de IA, así como su aplicación práctica a diversos casos de estudio del ámbito de las ciencias sociales.

Metodología docente.

Los temas se presentarán en clases magistrales y se comentarán tanto en clases online, como mediante los recursos correspondientes incluidos en el campus virtual. Se reforzará la docencia mediante demostraciones prácticas en grupo y seminarios presenciales. El estudiantado tendrá que contrastar lo aprendido mediante consultas bibliográficas, con lo que estimulará el aprendizaje por descubrimiento y el refuerzo. Los contenidos de la asignatura se desarrollarán coordinadamente. En cada uno de ellos se expondrá un breve contenido teórico de los temas a través de clases presenciales, siguiendo uno o dos libros de texto de referencia, que servirán para fijar los conocimientos ligados a las competencias previstas y dar paso a clases prácticas, en las que con el apoyo del ordenador se procederá a la resolución de los ejercicios planteados a partir de las clases teóricas, como iniciación del estudiantado en las competencias previstas. A partir de esas clases teóricas y prácticas el PDI propondrá al estudiantado la realización de trabajos personales sobre teoría y problemas, para cuya realización tendrán el apoyo del PDI. Durante su realización el estudiantado podrá compartir con sus compañeros/as y con el PDI las dudas que encuentren, obtener solución a las mismas y comenzar a desempeñar por sí mismos las competencias de la asignatura. Además, el estudiantado tendrá que desarrollar por su parte un trabajo personal de estudio y asimilación de la teoría, resolución de cuestiones propuestas con el apoyo del ordenador y preparación de los trabajos propuestos, para alcanzar las competencias previstas. De ello tendrán que responder, exponiendo sus trabajos ante el PDI y el resto de los compañeros/as, así como realizando exámenes y resolución de ejercicios prácticos en ordenador.

Actividades Formativas

AF1. Clases Teóricas

AF2. Clases Prácticas

AF3. Trabajo con documentos científicos

AF7. Tutorías en grupo

AF8. Trabajo autónomo y/o colaborativo del estudiante para la generación de conocimiento individual y/o compartido (portafolio, diario de campo, memoria de prácticas

AF12. Elaboración de trabajos de iniciación a la investigación o de intervención 

AF13. Exposición presencial y pública de trabajos

Metodologías Docentes: 

MD1. Lección Magistral Participativa

MD2. Aprendizaje Basado en Problemas/Proyectos

MD8. Laboratorio y trabajos prácticos

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).