Sistemas de Ayuda a la Decisión Inteligentes

Usted está aquí

Créditos
4.5
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
EIO;CS
Mail
The issues of the course are to provide students with the basic and necessary knowledge, in order that after finishing the course, they could identify when a given domain is really a complex one, and how many and of which nature are the decisions involved in the management of the given domain. Also, a main goal is to know how to analyse, to design, to implement and to validate an Intelligent Decision Support Systems (IDSS), for this kind of domains. Particularly, the integration of Artificial Intelligence models and Statistical models, and the knowledge discovery from data step, will be emphasised.

Profesores

Responsable

  • Miquel Sanchez Marre ( )

Otros

  • Karina Gibert Oliveras ( )

Horas semanales

Teoría
2
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0.115
Aprendizaje autónomo
5.53

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

  • CEA12 - Capacidad de comprender las técnicas avanzadas de Ingeniería del Conocimiento, Aprendizaje Automático y Sistemas de Soporte a la Decisión, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

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.
  • CEP8 - Capacidad de respetar el entorno ambiental y diseñar y desarrollar sistemas inteligentes sostenibles.

Competencias Transversales

Trabajo en equipo

  • CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

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.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

Objetivos

  1. To provide students with the basic and necessary knowledge, in order that they could identify when a given domain is really a complex one
    Competencias relacionadas: CEA12, CT7, CB6, CB7,
  2. To identify how many and of which nature are the decisions involved in complex domains management
    Competencias relacionadas: CEA12, CT7, CB6, CB7,
  3. To know how to analyse, to design, to implement and to validate an Intelligent Decision Support Systems (IDSS), emphasising the integration of Artificial Intelligence models and Statistical/Numerical models, and the knowledge discovery from data.
    Competencias relacionadas: CG3, CEP3, CEP8, CT3, CT4,

Contenidos

  1. Introduction
    Complexity of real-world systems or domains
    The need of decision support tools
  2. Decisions
    Decision Theory
    Modelling of Decision Process
  3. Evolution of Decision Support Systems
    Historical perspective of Management Information Systems
    Decision Support Systems (DSS)
    Advanced Decision Support Systems (ADSS)
    Intelligent Decision Support Systems (IDSS)
  4. Intelligent Decision Support Systems (IDSS)
    IDSS Architecture
    IDSS Analysis and Design
    Requirements, advantages and drawbacks of IDSS
    IDSS Validation
    Implementation of an IDSS in a computer
  5. Knowledge Discovery in a IDSS: from Data to Models
    Introducction
    Data Structure
    Data Filtering
    Knowledge Models
    - Descriptive models
    - Associative models
    - Discriminant Models
    - Predictive models
    Uncertainty Models
    - Probabilistic models
    - Fuzzy models
  6. Post-Processing and Model Validation
    Post-processing techniques
    Validation
    Statistical Methods for Hypotheses Verification
  7. Tools and Applications
    Software Tools for IDSS Development
    Application of IDSS to real-world problems
  8. Future Trends in IDSS and Conclusions

Actividades

Actividad Acto evaluativo


INTRODUCTION TO THE COURSE: General view, Contents, Web page, Racó, Evaluation, Practical works, etc.



Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

INTRODUCTION TO THE IDSS: Complexity of Real-world Systems, Decision Theory.


Objetivos: 1 2
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

PRESENTATION OF INDIVIDUAL PRACTICAL WORK 1 (PW1) and OF INDIVIDUAL PRACTICAL WORK 2 (PW2)


Objetivos: 2 3
Teoría
0h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

PRESENTATION OF GROUP PRACTICAL WORK 3 (PW3). INTRODUCTION TO GESCONDA TOOL.


Objetivos: 2 3
Teoría
0h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

EVOLUTION OF DECISION SUPPORT SYSTEMS: Decision Support Systems (DSS) and Advanced Decision Support Systems (ADSS)


Objetivos: 3
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

INTELLIGENT DECISION SUPPORT SYSTEMS (IDSS): architecture, analysis and design, implementation


Objetivos: 3
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Presentation of several Case Studies showing the design and develomentof IDSS


Objetivos: 1 2 3
Teoría
15h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

THE USE OF INTELLIGENT MODELS: Knowledge Discovery process.


Objetivos: 3
Teoría
4h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

PW3 supervision


Objetivos: 1 2 3
Teoría
0h
Problemas
0h
Laboratorio
8h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

FUTURE TRENDS IN IDSS


Objetivos: 3
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

PW1 public presentation & discussion


Objetivos: 1 2
Semana: 4
Tipo: examen de laboratorio
Teoría
0h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
4h

PW2 public presentation & discussion


Objetivos: 2 3
Semana: 6
Tipo: examen de laboratorio
Teoría
0h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
8h

PW3 public presentation & discussion


Objetivos: 3
Semana: 16
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
1h
Aprendizaje autónomo
60h

Metodología docente

The contents of the course will be exposed with the support of several case studies along the course. In the laboratory classes, the homework of the students (practical works) will be supervised by the teacher.

Método de evaluación

Evaluation of the knowledge and skills obtained by the students will be assessed through the 3 practical Works. The final grade will be the weighted mean of the grade of each practical work:

FinalGr = 0.25*PW1Gr + 0.25*PW2Gr + 0.5*PW3Gr * WFst, where 0 ≤ WFst ≤ 1.2

where WFst is a Working Factor evaluating the work of a particular student within his/her teamwork in PW3. It will be obtained by observing and assessing the load of work and degree of participation of each student throughout the PW3. In normal conditions, the WFst = 1

The PW1 will be evaluated by means of its quality and its justified explanation in the document. The PW2 will be evaluated according to its accuracy and completeness. The PW3 will be evaluated through the following formula:

PW3Gr = 0.4*MetGr + 0.2*DocGr + 0.2*OrEGr + 0.05*TManGr + 0.15*IGr

Where:
- MetGr: Grade for the quality of the methodology and work done, DocGr: Grade for the documentation delivered, OrEGr: Grade for the quality of the oral exposition (both presentation and content assessed, as well as the ability to answer questions), TManGr: Grade for the planning, coordination and management of the team, IGr: The individual evaluation of each student including her/his integration level within the team group.
This individual student grade (IGr) will be a mean between the teacher assessment of the student (TeachA) and the self-assessment of the student participation by the other members of the team (SelfA). Thus,

IGr = 0.5*TeachA+ 0.5*SelfA

Bibliografía

Básica:

Capacidades previas

Conocimientos básicos sobre Aprendizaje Automático e Inteligencia Artificial.

Adenda

Contenidos

THERE ARE NO CHANGES REGARDING THE INFORMATION PUBLISHED IN THE COURSE GUIDE.

Metodología docente

THERE ARE NO CHANGES REGARDING THE INFORMATION PUBLISHED IN THE COURSE GUIDE.

Método de evaluación

THERE ARE NO CHANGES REGARDING THE INFORMATION PUBLISHED IN THE COURSE GUIDE.

Plan de contingencia

The material of the course is already in electronic format, ready to be used in a virtual environ, if needed. The laboratory sessions can be easily undertaken in a virtual environ to supervise the evolution of all the students, if needed. The evaluation acts can be done in the same way, both in a pyhiscal environ or in a virtual one