Tipus A
|
Codi |
Competències Específiques | | A1 |
Capacitat per integrar tecnologies, aplicacions, serveis i sistemes propis de la Seguretat Informàtica i Intel·ligència Artificial, en contextos més amplis i multidisciplinaris.
|
| A7 |
Capacitat per comprendre i poder aplicar coneixements avançats de computació d'altes prestacions i mètodes numèrics o computacionals a problemes d'intel·ligència artificial relacionats amb xarxes neuronals i sistemes evolutius.
|
| G2 |
Capacitat per a la modelització matemàtica, càlcul i simulació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques d'investigació, desenvolupament i innovació en els àmbits de la Seguretat Informàtica i Intel·ligència Artificial
|
Tipus B
|
Codi |
Competències Transversals | | CT3 |
Resoldre problemes complexes de manera crítica, creativa i innovadora en contextos multidisciplinars. |
Tipus C
|
Codi |
Competències Nuclears |
Tipus A
|
Codi |
Resultats d'aprenentatge |
| A1 |
Analitza els problemes i les seves causes des d'un enfocament global i de mitjà i llarg termini.
| | A7 |
Comprèn la dificultat en el tractament de dades reals multidimensionals, i coneix algunes tècniques clàssiques lineals.
Coneix tècniques de computació neuronal i evolutiva aplicables a problemes de predicció, classificació, optimització, agrupació i visualització de dades multidimensionals.
| | G2 |
Aplica les tècniques apreses en contextos concrets.
|
Tipus B
|
Codi |
Resultats d'aprenentatge |
| CT3 |
Reconeix la situació plantejada com un problema en un entorn multidisciplinari, investigador o professional, i l’afronta de manera activa.
Segueix un mètode sistemàtic amb un enfocament global per dividir un problema complex en parts i per identificar les causes aplicant el coneixement científic i professional.
Dissenya una solució nova utilitzant els recursos necessaris i disponibles per tal d’afrontar el problema.
Elabora un model realista que concreta tots els aspectes de la solució proposada.
Avalua el model proposat contrastant-lo amb el context real d’aplicació i és capaç de trobar limitacions i proposar millores.
|
Tipus C
|
Codi |
Resultats d'aprenentatge |
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. Particle Swarm Optimization. Altres algorismes. |
Metodologies :: Proves |
|
Competències |
(*) Hores a classe
|
Hores fora de classe
|
(**) Hores totals |
Activitats Introductòries |
|
1 |
1.5 |
2.5 |
Sessió Magistral |
|
28 |
43.5 |
71.5 |
Pràctiques a través de TIC en aules informàtiques |
|
10 |
15 |
25 |
Pràctiques a través de TIC |
|
4 |
6 |
10 |
Atenció personalitzada |
|
1 |
0 |
1 |
|
Proves orals |
|
1 |
1.5 |
2.5 |
|
(*) 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 |
Atenció personalitzada presencialment o per vies telemàtiques |
Descripció |
Resolució de dubtes sobre els continguts i els exercicis pràctics. Es realitzarà personalment al despatx del professor, o via correu electrònic o videoconferència |
Metodologies |
Competències
|
Descripció |
Pes |
|
|
|
|
Pràctiques a través de TIC |
|
Avaluació dels exercicis pràctics |
85% |
Proves orals |
|
Exposició d'un tema relacionat amb l'assignatura |
15% |
Altres |
|
|
|
|
Altres comentaris i segona convocatòria |
Per segona convocatòria: pràctiques 100% |
Bàsica |
Hertz, J.A., Krogh, A., Palmer, R.G., Introduction to the Theory of Neural Computation, Addison-Wesley, 1991
Ke-Lin Du, M. N. S. Swamy, Neural Networks and Statistical Learning, Springer, 2014
S.N. Sivanandam, S. N. Deepa, Introduction to Genetic Algorithms, Springer, 2008
|
|
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 |
|