Sistemas de Ayuda a la Decisión Inteligentes

Créditos
4.5
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
EIO
Web
https://www-eio.upc.edu/teaching/DocenciaMultivariant/IDSS/
Mail
assig-IDSS-MAI@fib.upc.edu
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.

Profesorado

Responsable

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

    PW2 public presentation & discussion


    Objetivos: 2 3
    Semana: 6
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    PW3 public presentation & discussion


    Objetivos: 3
    Semana: 16
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    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

    Básico

    Capacidades previas

    Conocimientos básicos sobre Aprendizaje Automático e Inteligencia Artificial.