Tipus A
|
Codi |
Competències Específiques |
|
Recerca |
|
AR1 |
Dominar l’anàlisi estadística. |
|
AR2 |
Aplicar els coneixements de matemàtiques a l’enginyeria informàtica. |
|
AR12 |
Aplicar metodologies de la intel·ligència artificial. |
Tipus B
|
Codi |
Competències Transversals |
|
Comú |
|
BC2 |
Treballar autònomament amb iniciativa |
|
BC5 |
Transferibilitat. Aplicar coneixements i habilitats en entorns nous o no familiars i en contextos multidisciplinars relatius a la seva àrea específica |
|
BC11 |
Treballar en equip i gestionar equips |
|
BC13 |
Aprendre a aprendre |
|
BC14 |
Planificació i organització |
Tipus C
|
Codi |
Competències Nuclears |
|
Comú |
|
CC1 |
Domini de l’expressió i la comprensió del/s idioma/es estrangers per al desenvolupament professional derivat del curs del postgrau. |
Objectius |
Competències |
Comprendre la dificultat en el tractament de dades reals multidimensionals, i conèixer algunes tècniques clàssiques lineals |
AR1 AR2
|
|
|
Conèixer tècniques de computació neuronal i evolutiva aplicables a problemes de predicció, classificació, optimització, agrupació i visualització de dades multidimensionals |
AR1 AR2 AR12
|
BC5
|
|
Familiaritzar-se amb la cerca, comprensió i utilització d'articles de recerca en llengua estrangera |
|
BC2 BC13
|
CC1
|
Treballar en equip per a resoldre problemes de certa magnitud |
|
BC11 BC14
|
|
Tema |
Subtema |
Dades multidimensionals |
Problemes bàsics: predicció, classificació, optimització, agrupació, visualització. Tipus de dades: discretes, reals, categòriques. Preprocés de les dades: outliers, forats, escalaments. |
Computació neuronal |
Model de McCulloch i Pitts: pesos, llindar, camp, funció d'activació, activació. Arquitectures de xarxes neuronals artificials. Classificació dels models neuronals. |
Memòria associativa i optimització |
Xarxa de Hopfield: regla de Hebb, dinàmica, energia. Aplicacions per a optimització combinatòria. |
Aprenentatge supervisat |
Model lineal: regressió multilineal. Perceptró simple. Xarxes lineals. Separabilitat lineal. Xarxes multicapa. Back-propagation. Variants de la back-propagation. Cascade Correlation. Support Vector Machines. Altres algorismes. |
Aprenentatge no supervisat. |
Model lineal: anàlisi de components principals. Xarxes auto-supervisades. Aprenentatge hebbià. Aprenentatge competitiu. Mapes auto-organitzats. Teoria de resonància adaptativa. Altres algorismes. |
Computació evolutiva |
Algorismes genètics: cromosoma, població, reproducció, recombinació, mutació, fitness. Programació genètica. Altres algorismes. |
Metodologies :: Proves |
|
Competències |
(*) Hores a classe |
Hores fora de classe |
(**) Hores totals |
Activitats Introductòries |
|
1 |
0 |
1 |
|
Sessió Magistral |
|
26 |
13 |
39 |
Pràctiques a través de TIC en aules informàtiques |
|
10 |
5 |
15 |
Pràctiques a través de TIC |
|
5 |
50 |
55 |
|
Atenció personalitzada |
|
2 |
0 |
2 |
|
Proves objectives de preguntes curtes |
|
3 |
0 |
3 |
Proves orals |
|
1 |
0 |
1 |
|
(*) En el cas de docència no presencial, són les hores de treball amb suport vitual del professor. (**) Les dades que apareixen a la taula de planificació són de caràcter orientatiu, considerant l’heterogeneïtat de l’alumnat |
Metodologies
|
Descripció |
Activitats Introductòries |
Introducció al desenvolupament de l'assignatura i als seus continguts |
Sessió Magistral |
Exposició dels continguts amb disponibilitat dels materials en format electrònic |
Pràctiques a través de TIC en aules informàtiques |
Exposició d’eines per al desenvolupament de solucions i resolució pràctica de problemes |
Pràctiques a través de TIC |
Exercicis pràctics per a assolir experiència i consolidar els coneixements teòrics |
Atenció personalitzada |
|
|
Pràctiques a través de TIC |
|
Descripció |
Resolució de dubtes sobre els continguts i els exercicis pràctics. Es realitzarà personalment al despatx del professor, o via correu electrònic. |
|
|
Descripció |
Pes |
Pràctiques a través de TIC |
Avaluació dels exercicis pràctics |
40% (mínim un 4) |
Proves objectives de preguntes curtes |
Avaluació dels coneixements teòrics |
30% (mínim un 4) |
Proves orals |
Avaluació de l'exposició d'un tema proposat |
30% (mínim un 4) |
|
Altres comentaris i segona convocatòria |
Per segona convocatòria: avaluació idèntica a la de primera convocatòria. |
Bàsica |
Bishop, C.M., Neural Networks for Pattern Recognition, Oxford University Press, 1995
Hertz, J.A., Krogh, A., Palmer, R.G., Introduction to the Theory of Neural Computation, Addison-Wesley, 1991
Goldberg, D.E., Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989
Davis, L. (ed), Handbook of Genetic Algorithms, Van Nostrand Reinhold, 1991
Cristianini, N.; Shawe-Taylor, J., An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, Cambridge University Press, 2000
|
Neural Network FAQ: http://www.faqs.org/faqs/ai-faq/neural-nets/ Evolutionary Computation FAQ: http://www.faqs.org/faqs/ai-faq/genetic/ |
Complementària |
|
|
(*)La Guia docent és el document on es visualitza la proposta acadèmica de la URV. Aquest document és públic i no es pot modificar, llevat de casos excepcionals revisats per l'òrgan competent/ o degudament revisats d'acord amb la normativa vigent |
|