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
URV;CS
Web
moodle URV
Mail
The student will be introduced to the research area of Multicriteria Decision Aid (MCDA).
The course covers three main issues:
(1) Preference structures for representing the interests of the decision maker. Special attention will be paid to the use of non-numerical information, such as linguistic variables, fuzzy sets or ontologies.
(2) Exploitation techniques of the user information to solve the decision problem. The two main approaches to MCDA will be studied: Multiattribute Utility Theory and Outranking Relations. At the end of the course, the student will have to know the theory, properties, advantages and drawbacks of those methods.
(3) Use of MCDA techniques in combination with other fields (f.i. Geographical Information Systems, Recommender Systems).
Free software will be used to practise.

Profesores

Responsable

  • Aida Valls ( )

Horas semanales

Teoría
1.8
Problemas
0
Laboratorio
0.9
Aprendizaje dirigido
0
Aprendizaje autónomo
4.5

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.

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. Identificar los componentes de un problema de toma de decisiones y saber decidir el tipo de modelo más adecuado.
    Competencias relacionadas: CEA12, CG3, CEP3,
  2. Modelar los criterios de preferencias segun distintos tipos de datos
    Competencias relacionadas: CEA12, CT7,
  3. Saber aplicar los operadores de agregación
    Competencias relacionadas: CEA12, CEP3,
  4. Conocer el funcionamiento de algunos métodos del modelo de Teoría de la Utilidad
    Competencias relacionadas: CEA12, CEP3, CT4, CT7,
  5. Conocer y aplicar métodos basados en relaciones de preferencia
    Competencias relacionadas: CEA12, CEP3, CT4, CT7,
  6. Identificar las relaciones entre los modelos propuestos en investigación operativa (los MCDA) y los métodos desarrollados en Inteligencia Artificial (IA)
    Competencias relacionadas: CEA12, CEP3,

Contenidos

  1. 1 Introducción
    La investigación en "Multicriteria Decision Aiding" está siendo cada vez más impotante.
    La incorporación de técnicas de IA en este campo es reciente y presenta muchos retos.
    El primer capítulo introduce los conceptos básicos y la notación.
  2. 2 Modelos de representación de preferencias en perfiles de usuario
    Para personalizar los sistemas de decisión se necesita conocer y guardar las preferencias del usuario de forma adecuada. En este capítulo se estudian diversas técnicas de representación de preferencia en diferentes formatos.

    2.1 Tipos de datos
    2.2 Conjuntos de criterios
    2.3 Construcción y mantenimiento del perfil de usuario
  3. 3 Métodos basados en Teoría de la Utilidad
    Estudiaremos dos aproximaciones en este curso. La primera se basa en la fusión de valores de utilidad proporcionados por diversos criterios para obtener una utilidad global. Se presentarán y compararán diversos modelos de fusión de información.

    3.1 Introducción
    3.2 Etapas del proceso: agregación y ordenación.
    3.3 Operadores de agregación. Propiedades.
  4. 4 Modelos basados en relaciones de preferencia
    La segunda aproximación es más cualitativa que cuantiativa. Se basa en construir un modelo de relaciones de preferencia entre un conjunto de opciones.

    4.1 Introducción
    4.2 Relaciones de outranking
    4.3 ELECTRE
  5. 5 MCDA y IA
    El uso de técnicas de MCDA en otros sistemas inteligentes se puede hacer en múltiples campos de aplicación. Cada curso se explican diferentes líneas según los intereses de los estudiantes. Se pueden estudiar usos en sistemas de recomendación, o en sistemas de información geográfica, en buscadores web o en comercio electrónico, entre otros.

Actividades

Actividad Acto evaluativo


Examen

Examen final con preguntas teóricas y ejercicios
Objetivos: 5 1 2 3 4
Semana: 15 (Fuera de horario lectivo)
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
2h
Aprendizaje autónomo
0h

Trabajo de investigación, con presentación oral

El estudiante preparará una recopilación de materiales de investigación (artículos científicos) y los presentará en un informe en grupo. Se hará una presentación oral del trabajo.
Objetivos: 5 1 4 6
Semana: 11
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
2h
Aprendizaje autónomo
20h

Ejercicios prácticos con software específico

Se haran ejercicios sobre los métodos estudiados con software libre, específico para este tipo de sistemas. Se entregará un informe breve de algunos ejercicios.
Objetivos: 5 1 2 3 4 6
Semana: 15
Tipo: examen de laboratorio
Teoría
0h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Sesiones magistrales

The lecturer explains the theoretical conceps of the subject with examples. Some complementary materials will be given to the students.
Objetivos: 1 2 6
Contenidos:
Teoría
27h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
26h

Prácticas de laboratorio

The student will use a free software to solve some exercises. Some of them will be reported in a short document delivered to the teacher.
Objetivos: 5 2 3 4
Contenidos:
Teoría
0h
Problemas
0h
Laboratorio
12h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Metodología docente

Sesiones magistrales
Prsentaciones orales de los estudiantes
Prácticas a través de TIC en aulas informáticas
Resolución de problemas y ejercicios en el aula

Método de evaluación

Es necesario resolver ejercicios práctios a través de TIC 30%
Es necesario elaborar un trabajo de investigación con una presentación oral 30%
Hay un examen final de preguntas y ejercicios 40%

Bibliografía

Básica:

  • Multiple criteria decision analysis : state of the art surveys - Figueira, José; Greco, Salvatore; Ehrgott, Matthias, Springer, c2005. ISBN: 978-0-387-23067-2
    http://cataleg.upc.edu/record=b1269711~S1*cat
  • Modeling decisions : information fusion and aggregation operators - Torra i Reventós, Vicenç; Narukawa, Yasuo, Springer, cop, 2007. ISBN: 978-3-540-68789-4
    http://cataleg.upc.edu/record=b1308961~S1*cat
  • Multi-criteria Decision Analysis: Methods and Software - Alessio Ishizaka, Philippe Nemery, Wiley, 2013. ISBN: 978-1-119-97407-9
  • Multicriteria Decision Aid and Artificial Intelligence - Doumpos, Michel, Grigoroudis, Evangelos, Wiley, 2013. ISBN: 978-1-119-97639-4

Web links

Capacidades previas

Ninguna