Sistemes de Suport a la Decisió Muticriteri Personalitzada

Esteu aquí

Inici » Estudis » Graus » Grau en Intel·ligència Artificial » Pla d'estudis » Assignatures » Sistemes de Suport a la Decisió Muticriteri Personalitzada
Crèdits
4.5
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
URV;CS
Web
campusvirtual.urv.cat
Mail
Aquest curs fa una introducció als sistemes anomenats "Multicriteria Decision Aiding " (MCDA). El curs cobreix els tres aspectes següents:
(1) Models de representació de preferències de l'usuari. Es fa especial èmfasi en la utilització de dades no numèriques (com variables lingüístiques, conjunts difusos o ontologies).
(2) Aplicació de diverses tècniques que a partir del model d'usuari permeten resoldre el problema de decisió. Es presentaran els dos models principals: Multiattribute Utility Theory i Outranking Relations. Al final del curs, l'estudiant haurà de conèixer els fonaments teòrics, propietats, avantatges i inconvenients de cada tipus de mètode.
(3) Utilització de les eines MCDA en combinació amb altres disciplines (per exemple, Sistemes d'Informació Geogràfica o Sistemes Recomanadors).
S'utilitzarà software lliure per fer exercicis pràctics.

Professorat

Responsable

  • Aïda Valls Mateu ( )

Hores setmanals

Teoria
1.8
Problemes
0
Laboratori
0.9
Aprenentatge dirigit
0
Aprenentatge autònom
4.5

Competències

Competències Tècniques Generals

Genèriques

  • CG3 - Capacitat per a la modelització, càlcul, simulació, desenvolupament i implantació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca, desenvolupament i innovació en tots els àmbits relacionats amb la Intel·ligència Artificial.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA12 - Capacitat de comprendre les tècniques avançades d'Enginyeria del Coneixement, Aprenentatge Automàtic i Sistemes de Suport a la Decisió, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.

Competències Transversals

ús solvent dels recursos d'informació

  • CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

Analisis i sintesis

  • CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

Objectius

  1. Identificar els components d'un problema de presa de decisions i saber decidir el tipus de model de presa de decisions més adequat.
    Competències relacionades: CEA12, CG3, CEP3,
  2. Modelitzar els criteris de preferència segons diversos tipus de dades.
    Competències relacionades: CEA12, CT7,
  3. Saber aplicar diversos operadors d'agregació.
    Competències relacionades: CEA12, CEP3,
  4. Saber el funcionament d'alguns mètodes concrets basats en Teoria de l'Utilitat
    Competències relacionades: CEA12, CEP3, CT4, CT7,
  5. Saber el funcionament d'alguns mètodes concrets basats en Relacions de preferència.
    Competències relacionades: CEA12, CEP3, CT4, CT7,
  6. Identificar les relacions entre els models proposats en investigació operativa, coneguts com MCDA, i els mètodes usats en Intel·ligència Artificial (IA).
    Competències relacionades: CEA12, CEP3,

Continguts

  1. 1 Introducció
    El camp de recerca "Multicriteria Decision Aiding" està prenent força en la comunitat científica.
    L'incorporació d'eines de IA en aquest camp és força recent i presenta molts reptes.
    El primer capítol introdueix els conceptes bàsics i la notació.

    1.1 Objectius de la presa de decisions
    1.2 Usos dels models MCDA
  2. 2 Models de representació de les preferències en perfils d'usuari
    Per personalitzar els sistemes de decisió es necessita conèixer i guardar les preferències de l'usuari de forma adient. En aquest capítol s'estudien diverses tècniques per representar preferències en diferents formats de dades.

    2.1 Tipus de dades
    2.2 Conjunt de criteris
    2.3 Construcció i manteniment del perfil d'usuari
  3. 3 Mètodes basats en la Teoria de la Utilitat
    Estudiarem dues aproximacions en aquest curs. La primera es basa en la fusió de valors d'utilitat proporcionats per diversos criteris per tal d'obtenir una utilitat global. Es presentaran i compararan diferents models de fusió d'informació.

    3.1 Introducció
    3.2 Etapes del procés: agregació i ordenacio.
    3.3 Operadors d'agregació. Propietats.
  4. 4. Mètodes basats en Relacions de Preferència
    La segona aproximació és més qualitativa que quantitativa i es basa en construir un model de relacions de preferència entre un conjunt d'opcions.

    4.1 Introducció
    4.2 Relacions d'outranking
    4.3 ELECTRE
  5. 5 MCDA i IA
    La utilització de les tècniques MCDA en altres sistemes intel.ligents es pot fer en múltiples camps d'aplicació.
    Cada curs s'expliquen diferents línies segons els interessos dels estudiants. Es poden estudiar usos en sistemes de recomanació, o en sistemes d'informació geogràfica, o en cercadors web, o comerç electrònic, entre d'altres.

Activitats

Activitat Acte avaluatiu


Examen

Prova escrita al final de curs amb preguntes teòriques i exercicis
Objectius: 5 1 2 3 4
Setmana: 15
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Treball de recerca, amb presentació oral

L'estudiant haurà de preparar un recull de materials de recerca (articles científics) i presentar-los en un informe en grup. Es farà una presentació oral del treball.
Objectius: 5 1 4 6
Setmana: 11
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2h
Aprenentatge autònom
20h

Exercicis práctics amb software específico

Es faran exercicis sobre els mètodes estudiats amb software lliure específic en aquest tipus de sistemes. Caldrà lliurar un breu informe d'alguns d'aquests exercicis.
Objectius: 5 1 2 3 4 6
Setmana: 15
Teoria
0h
Problemes
0h
Laboratori
1.5h
Aprenentatge dirigit
0h
Aprenentatge autònom
9.5h

Sessions magistrals

El professor explicarà els continguts bàsics de l'assignatura amb exemples. Posant a disposició de l'alumne tot el material que necessiti per a l'estudi de la matèria.
Objectius: 1 2 6
Continguts:
Teoria
23h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
26h

Pràctiques de laboratori

Es faran exercicis sobre els mètodes estudiants amb software lliure especialitzat en aqust tipus de sistemes. Caldrà lliurar un breu informe d'alguns d'aquests exercicis.
Objectius: 5 2 3 4
Continguts:
Teoria
0h
Problemes
0h
Laboratori
12h
Aprenentatge dirigit
0h
Aprenentatge autònom
12h

Metodologia docent

Sessions magistrals
Presentacions orals per part dels alumnes
Pràctiques a través de TIC en aules informàtiques
Resolució de problemes, exercicis a l'aula.

Mètode d'avaluació

Cal resoldre uns exercicis pràctics a través de TIC 30%
Cal elaborar un treball de recerca amb una presentació oral 30%
Hi haurà un examen final amb preguntes i exercicis 40%

Bibliografia

Bàsica:

Web links

Capacitats prèvies

Cap