Inteligencia Computacional

Usted está aquí

Inicio » Estudios » Másteres » Máster en Inteligencia Artificial » Plan de estudios » Asignaturas » Inteligencia Computacional
Créditos
5
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS
El objetivo de esta asignatura es proporcionar los conocimientos teóricos y prácticos necesarios para que el estudiantado sea capaz de diseñar e implementar de forma eficiente sistemas inteligentes dentro del ámbito de la Inteligencia Computacional. Concretamente, el alumnado adquirirá los conceptos básicos de la computación neuronal, la computación evolutiva y la computación difusa.

Profesorado

Responsable

  • Maria Angela Nebot Castells ( )

Otros

  • Enrique Romero Merino ( )
  • Luis Antonio Belanche Muñoz ( )

Horas semanales

Teoría
2.4
Problemas
0
Laboratorio
0.6
Aprendizaje dirigido
0.21
Aprendizaje autónomo
5.1

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG3 - Capacidad para la modelización, cálculo, simulación, desarrollo e implantación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

  • CEA4 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Inteligencia Computacional, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA8 - Capacidad de realizar investigación en nuevas técnicas, metodologías, arquitecturas, servicios o sistemas en el área de la Inteligencia Artificial.

Profesionales

  • CEP2 - Capacidad de resolver los problemas de toma de decisiones de las diferentes organizaciones, integrando herramientas inteligentes.
  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.

Competencias Transversales

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Actitud frente al trabajo

  • CT5 - Estar motivado para el desarrollo profesional, para afrontar nuevos retos y para la mejora continua. Tener capacidad de trabajo en situaciones de falta de informacion.

Objetivos

  1. Conocer el ámbito de la inteligencia computacional, y los tipos de tareas que se pueden atacar
    Competencias relacionadas: CEA4, CG3,
  2. Conocer las técnicas modernas más importantes de la inteligencia computacional
    Competencias relacionadas: CEA4, CEA8, CG3, CEP2,
  3. Organizar el flujo de resolución de un problema de inteligencia computacional, analizando las posibles opciones y eligiendo las técnicas más adecuadas al problema o una combinación de ellas
    Competencias relacionadas: CEA8, CG3, CEP2, CEP3, CT4, CT5,
  4. Decidir, defender y criticar una solución para un problema de la inteligencia computacional, argumentando los puntos fuertes y débiles del acercamiento elegido
    Competencias relacionadas: CEA4, CEA8, CG3, CEP2, CEP3, CT4, CT5,
  5. Conocer los fundamentos de la computación neuronal y saber aplicarla correctamente para desarrollar soluciones correctas y eficaces a un problema de la inteligencia lligència computacional
    Competencias relacionadas: CEA4, CEP2, CEP3, CT5,
  6. Conocer los fundamentos de la computación evolutiva y saber aplicarla correctamente para desarrollar soluciones correctas y eficaces a un problema de la inteligencia lligència computacional
    Competencias relacionadas: CEA4, CEP2, CEP3, CT5,
  7. Conocer los fundamentos de la computación difusa y saber aplicarla correctamente para desarrollar soluciones correctas y eficaces a un problema de la inteligencia computacional
    Competencias relacionadas: CEA4, CEP2, CEP3, CT5,

Contenidos

  1. Introducción a la Inteligencia Computational
    Inteligencia Computational: definición y paradigmas. Pequeña reseña histórica.
  2. Fundamentos de Computación Neuronal
    Introducción a la computación neuronal: inspiración biológica, modelos de neuronas, arquitecturas y algoritmos de entrenamiento. Aprendizaje y generalización.
  3. Fundamentos de Computación Evolutiva
    Introducción a la computación evolutiva: los procesos evolutivos de la naturaleza, los operadores genéticos, algoritmos evolutivos de optimización. Los algoritmos genéticos. Estrategias de Evolución y CMA-ES.
  4. Fundamentos de Computación Difusa
    Introducción a la computación difusa: conjuntos y sistemas difusos, sistemas de inferencia difusos y híbridos.
  5. Aplicaciones y casos de estudio
    Aplicaciones y casos de estudio en problemas reales de regresión, clasificación, identificación de sistemas y optimización

Actividades

Actividad Acto evaluativo


Desarrollo del tema 1 de la asignatura

El profesor presenta información general y conceptos básicos sobre la inteligencia computacional así como ejemplos modernos de aplicación.
Objetivos: 1 2
Contenidos:
Teoría
3h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Desarrollo del tema 2 de la asignatura

El profesor presenta los fundamentos de la computación neuronal: inspiración biológica, modelos de neuronas, arquitecturas y algoritmos de entrenamiento. Habla del aprendizaje y de la generalización y establece metodologías para obtener modelos eficaces y para garantizar unos estimación honesta de la eficacia de los modelos.
Objetivos: 2 5
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Desarrollo del tema 3 de la asignatura

El profesor explica los fundamentos de la computación evolutiva: los procesos evolutivos de la naturaleza, los operadores genéticos, algoritmos evolutivos de optimización. Se centra en los algoritmos genéticos y en las Estrategias de Evolución y CMA-ES. Apunta otros algoritmos evolutivos existentes.
Objetivos: 2 6
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Desarrollo del tema 4 de la asignatura

El profesor explica los fundamentos de la computación difusa: conjuntos y sistemas difusos, sistemas de inferencia difusos y FIR.
Objetivos: 2 7
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Desarrollo del tema 5 de la asignatura

El profesor plantea uno o más casos de estudio reales que puedan requerir de soluciones provenientes de la inteligencia computacional. El profesor plantea las opciones y traza una o varias posibles soluciones, discutiendo las ventajas e inconvenientes. El profesor plantea el trabajo de curso que deberá llevarse a cabo, que es similar a los casos de estudio anteriores.
Objetivos: 1 3 4
Teoría
6h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Realización y entrega del trabajo práctico


Objetivos: 1 2 3 4 5 6 7
Semana: 15
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
35h

Examen

Se trata de un examen escrito de conocimientos de los conceptos fundamentales de la asignatura

Semana: 15 (Fuera de horario lectivo)
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Metodología docente

El temario se expone en las clases de teoría de forma muy motivada (por qué se explica) y motivadora (por qué es importante conocerlo hoy en día) complementado con muchos ejemplos. Las clases de teoría introducen todo los conocimientos, las técnicas, conceptos y resultados necesarios para alcanzar un nivel bien fundamentado.

Estos conceptos se plasman en el trabajo práctico que se debe entregar al final del curso. Las tres horas de clases de teoría se hacen semanalmente. Hay 3 sesiones de laboratorio de 3 horas cada una repartidas durante el curso, para reforzar los conocimientos teóricos y como preparación para el trabajo práctico. El trabajo práctico es evaluable y consiste en un proyecto que trabaja un problema real a elegir por el propio estudiante y que recoge e integra los conocimientos y las competencias de todo el curso. También hay una prueba escrita de conocimientos esenciales de la asignatura. Además, hay 3 trabajos prácticos menores después de cada clase de laboratorio.

Método de evaluación

La asignatura se evalua de la siguiente manera:

NLab1 = Nota de los ejercicios del laboratorio 1
NLab2 = Nota de los ejercicios del laboratorio 2
NLab3 = Nota de los ejercicios del laboratorio 3
NExam = Nota del examen de conocimientos fundamentales
NPract = Nota del trabajo práctico

NFINAL = 5% NLab1 + 5% NLab2 + 5% NLab3 + 50% NExam + 35% NPract

Bibliografía

Básica:

Complementaria:

Web links

Capacidades previas

Nociones elementales de probabilidad y estadística.
Nociones básicas de álgebra lineal y de análisis real