Aplicaciones Inteligentes de Análisis de Datos en la Industria

Usted está aquí

Créditos
2
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
UB
Mail
,
El objetivo de este curso posee tres partes. La primera proveer al estudiante unos conocimientos en el campo de los sistema de recomendación. La segunda presentar las distintas aplicaciones exitosas que utilizan sistemas de recomendación, y por último las diferentes presentaciones de las empresas que utilizan estas tecnologías.

Profesores

Responsable

  • Santiago Seguí Mesquida ( )

Otros

  • Salvador Torra ( )

Horas semanales

Teoría
10
Problemas
11
Laboratorio
0
Aprendizaje dirigido
6
Aprendizaje autónomo
48

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

  • CEA7 - Capacidad de comprender la problemática, y las soluciones a los problemas en la práctica profesional de la aplicación de la Inteligencia Artificial en el entorno empresarial e industrial.

Profesionales

  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.
  • CEP5 - Capacidad de diseñar nuevas herramientas informáticas y nuevas técnicas de Inteligencia Artificial en el ejercicio profesional.

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.

Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

Objetivos

  1. Entender el comportamiento general de los sistemas de recomendación
    Competencias relacionadas: CT4, CT7,
  2. Entender como funcionan los sistemas de recomendación para hacer frente a gran número de datos existentes.
    Competencias relacionadas: CEA7, CEP3,
  3. Entender las posibles aplicaciones de los sistemas de recomendación dentro del ambito industrial
    Competencias relacionadas: CEP3, CG3,
  4. Entender las posibles aplicaciones de la IA en el entorno empresarial
    Competencias relacionadas: CEP5,

Contenidos

  1. Sistemas de recomendación para aplicaciones industriales
    Daremos una visión general de los diferentes tipos de sistemas de recomendación. Desde los sistemas de recomendación no personalizados a sistemas colaborativos
  2. Sistemas de recomendación colaborativos
    Explicaremos en detalle como funciona el filtrado colaborativo. Cómo podemos utilizar la información otros usuarios para recomendar productos.
  3. Los sistemas de recomendación con Python
    Explicaremos como podemos implementar y validar un sistema de recomendación en Python
  4. Presentaciones de empresas
    Se invitarán distintas empresas para que expliquen sus aplicaciones en el ámbito de la IA

Actividades

Actividad Acto evaluativo


Caso práctico 1

Un primer caso práctico asociado a los temas 1 a 3
Objetivos: 1 2
Semana: 1
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
22h

Caso práctico 2

Un segundo caso práctico asociado a los items 4 a 9
Objetivos: 3
Semana: 1
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
22h

Sintesis presentaciones de empresas

Realizar una sintesis de las aportaciones que presentan las empresas
Objetivos: 4
Semana: 1
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Propiedades de los sistemas de recomendación

El estudiante trabajará en el conocimiento con el que los sistemas de recomendación funcionan.
Objetivos: 1
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Tratamiento de la información para el uso de sistemas de recomendación

Comprende los diferentes efectos de diferentes tipos de datos sobre el rendimiento de los sistemas de recomendación
Objetivos: 2
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Aplicaciones de los sistemas de recomendación (1)

Entender el potencial de la IA en el ámbito industrial
Objetivos: 3
Teoría
4h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Aplicaciones de los sistemas de recomendación (2)

Entender el potencial de AI en el ámbito industrial
Objetivos: 3
Teoría
3h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Ejemplos de problemas prácticos: empresas

El alumno podrá observar la práctica empresarial
Objetivos: 4
Contenidos:
Teoría
0h
Problemas
11h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Metodología docente

La metodología docente se dividirá en tres partes, la primera consiste en la exposición de los conceptos teoricos, la segunda en la visualización de las posibles aplicaciones y en tercer lugar la presentación de casos prácticos reales en el ámbito empresarial.

Método de evaluación

La evaluación del seminario posee tres partes. Un primer caso práctico asociado a los temas 1 a 3 con un peso del 40%; un segundo caso práctico vinculado a los temas 4 a 9 con un 40% y finalmente una síntesis de las presentaciones de las empresas con 20%.

Bibliografía

Básica:

  • The Elements of statistical learning : data mining, inference, and prediction - Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome, Springer, cop. 2009. ISBN: 9780387848570
    http://cataleg.upc.edu/record=b1343839~S1*cat
  • Learning from data: concepts, theory, and methods - Cherkassky, V.M.; Mulier, F., 2007.
  • Modelos Neuronales Aplicados en Economía Casos Prácticos mediante Mathematica® / Neural Networks - Torra Porras, Salvador y Monte, Enric , 2013.
    http://www.addlink.es/productos/libro/modelos-neuronales-aplicados-economia-detail
  • Recommender Systems Handbook - Ricci, F., Rokach, L., Shapira, B., Kantor, P.B. (Eds.), Springer, ISBN: 978-0-387-85820-3

Capacidades previas

Interés en las aplicaciones empresariales y financieras desde la óptica de la IA, en especial los sistemas de recomendación