|
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 | | | CT1 |
Gestionar i comunicar informació complexa, de temes diversos, amb naturalitat, en llengua estrangera. |
| | CT3 |
Resoldre problemes complexes de manera crítica, creativa i innovadora en contextos multidisciplinars. |
| | CT5 |
Comunicar idees complexes de manera efectiva a tot tipus d’audiències. |
|
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 |
| | CT1 |
Gestiona i comunica informació complexa, de temes diversos, amb naturalitat, en llengua estrangera.
| | | CT3 |
Resol problemes complexes de manera crítica, creativa i innovadora en contextos multidisciplinars.
| | | CT5 |
Comunica idees complexes de manera efectiva a tot tipus d’audiències.
|
|
Tipus C
|
Codi |
Resultats d'aprenentatge |
| Tema |
Subtema |
| Dades multidimensionals |
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 |
| Presentacions / exposicions |
|
1 |
1.5 |
2.5 |
| Lectura de documentació escrita / gràfica elaborada |
|
28 |
43.5 |
71.5 |
| Treballs |
|
13 |
19.5 |
32.5 |
| Fòrums de debat |
|
1 |
1.5 |
2.5 |
| Atenció personalitzada |
|
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 |
| Presentacions / exposicions |
Exposició d'un tema relacionat amb l'assignatura |
| Lectura de documentació escrita / gràfica elaborada |
Treball de l'alumne amb materials en format electrònic de l'assignatura i supervisió per part del professor. |
| Treballs |
|
| Fòrums de debat |
|
| Atenció personalitzada |
Atenció personalitzada per vies telemàtiques |
|
Descripció |
|
Atenció personalitzada per vies telemàtiques |
|
Metodologies |
Competències
|
Descripció |
Pes |
|
|
|
|
| Presentacions / exposicions |
|
Exposició d'un tema relacionat amb l'assignatura |
30% |
| Treballs |
|
Avaluació dels exercicis pràctics |
70% |
| Altres |
|
|
|
| |
|
Altres comentaris i segona convocatòria |
|
|
| Bàsica |
|
Hilera, J.R., Martínez, V.J., Redes Neuronales Artificiales. Fundamentos, Modelos y Aplicaciones. , RA-MA, 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
|
| Complementària |
|
Bishop, C.M, Neural Networks for Pattern Recognition, Oxford University Press, 1995 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 http://www.faqs.org/faqs/ai-faq/neural-nets/, Neural Network FAQ, , http://www.faqs.org/faqs/ai-faq/genetic/, Evolutionary Computation FAQ, , |
(*)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 |
|