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

Otros

Horas semanales

Teoría
2.4
Problemas
0
Laboratorio
0.6
Aprendizaje dirigido
0
Aprendizaje autónomo
5.925

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 redes neuronales, arquitecturas y algoritmos de entrenamiento, centrándose en Perceptrones Multicapa y Redes Neuronales Convolucionales. Aprendizaje y generalización. Cuestiones experimentales.
    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. Aplicaciones y casos de estudio en problemas reales de regresión, clasificación, identificación de sistemas y optimización.
    4. Fundamentos de Computación Difusa
      Introducción a la computación difusa: conjuntos y sistemas difusos, sistemas de inferencia difusos y híbridos. 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
    12h
    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
    6h
    Problemas
    0h
    Laboratorio
    3h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    12h

    Realización y entrega de 3 trabajos prácticos


    Objetivos: 1 2 3 4 5 6 7
    Semana: 15 (Fuera de horario lectivo)
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Examen

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

    Semana: 14
    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 en la actualidad), complementado con muchos ejemplos. Las clases de teoría introducen todos los conocimientos, técnicas, conceptos y resultados necesarios para alcanzar un nivel bien fundamentado y comprensible.

    Hay 3 sesiones de laboratorio de 3 horas cada una repartidas durante el curso, para reforzar los conocimientos teóricos y como preparación para los tres trabajos prácticos de mediana envergadura que habrá que realizar una vez finalizado cada uno de los tres grandes temas que se trabajan en la asignatura. También existe una prueba escrita de conocimientos esenciales de la asignatura.

    Método de evaluación

    La asignatura se evalua de la siguiente manera:

    Se realizarán tres proyectos, uno de cada tema visto en la asignatura, es decir computación neuronal, computación evolutiva y computación difusa. Todos los proyectos tendrán igual peso y se obtendrá una nota total de los proyectos que corresponderá al 50% de la nota de la asignatura. El otro 50% corresponderá a la nota del examen.

    NOTA FINAL = 50% Nota Proyectos + 50% Nota Examen

    Bibliografía

    Básico

    Complementario

    Web links

    Capacidades previas

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