|
Tipo A
|
Código |
Competencias Específicas | | | A1 |
Capacidad para la integración de tecnologías, aplicaciones, servicios y sistemas propios de la Seguridad Informática y la Inteligencia Artificial en contextos más amplios y multidisciplinares.
|
| | A7 |
Capacidad para comprender y poder aplicar conocimientos avanzados de computación de altas prestaciones y métodos numéricos o computacionales a problemas de inteligencia artificial relacionados con redes neuronales y sistemas evolutivos.
|
| | G2 |
Capacidad para el modelado matemático, cálculo y simulación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en ámbitos relacionados con la Seguridad Informática y la Inteligencia Artificial.
|
|
Tipo B
|
Código |
Competencias Transversales | | | CT3 |
Resolver problemas complejos de manera crítica, creativa e innovadora en contextos multidisciplinares. |
|
Tipo C
|
Código |
Competencias Nucleares |
| Resultados de aprendizaje |
|
Tipo A
|
Código |
Resultados de aprendizaje |
| | A1 |
Analiza los problemas y sus causas des de un enfoque global y de medio y largo plazo.
| | | A7 |
Comprende la dificultad en el tratamiento de datos reales multidimensionales, y conoce algunas técnicas clásicas lineales.
Conoce técnicas de computación neuronal y evolutiva aplicables a problemas de predicción, classificación, optimitzación, agrupación y visualització de datos multidimensionales.
| | | G2 |
Aplica las técnicas aprendidas en contextos concretos.
|
|
Tipo B
|
Código |
Resultados de aprendizaje |
| | CT3 |
Reconoce la situación planteada como un problema en un entorno multidisciplinar, investigador o profesional, y lo afronta de manera activa.
Sigue un método sistemático con un enfoque global para dividir un problema complejo en partes y para identificar las causas aplicando el conocimiento científico y profesional.
Diseña una solución nueva utilizando los recursos necesarios y disponibles para afrontar el problema.
Elabora un modelo realista que concrete todos los aspectos de la solución propuesta.
Evalúa el modelo propuesto contrastándolo con el contexto real de aplicación y es capaz de encontrar limitaciones y proponer mejoras.
|
|
Tipo C
|
Código |
Resultados de aprendizaje |
| tema |
Subtema |
| Datos multidimensionales |
Dades multidimensionals Problemes bàsics: predicció, classificació, optimització, agrupació, visualització. Tipus de dades: discretes, reals, categòriques. Preprocés de les dades: representació, outliers, forats, escalaments. |
| Computación neuronal |
Model de McCulloch i Pitts: pesos, llindar, camp, funció d'activació, activació. Arquitectures de xarxes neuronals artificials. Classificació dels models neuronals. |
| Aprendizaje supervisado |
Model lineal: regressió multilineal. Perceptró simple. Xarxes lineals. Separabilitat lineal. Cross-validation. Xarxes multicapa. Back-propagation. Variants de la back-propagation. Support Vector Machines. Altres algorismes. |
| Aprendizaje no supervisado |
Model lineal: anàlisi de components principals. Xarxes auto-supervisades. Aprenentatge hebbià. Aprenentatge competitiu. Mapes auto-organitzats. Altres algorismes. |
| Computación evolutiva |
Algorismes genètics: cromosoma, població, reproducció, recombinació, mutació, fitness. Programació genètica. Particle Swarm Optimization. Altres algorismes. |
| Metodologías :: Pruebas |
| |
Competencias |
(*) Horas en clase
|
Horas fuera de clase
|
(**) Horas totales |
| Actividades introductorias |
|
1 |
0 |
1 |
| Lectura de documentación escrita / gráfica elaborada |
|
1 |
30 |
31 |
| Prácticas a través de TIC |
|
1 |
73 |
74 |
| Foros de discusión |
|
1 |
1 |
2 |
| Atención personalizada |
|
1 |
0 |
1 |
| |
| Pruebas orales en línea |
|
1.5 |
2 |
3.5 |
| |
(*) En el caso de docencia no presencial, serán las horas de trabajo con soporte virtual del profesor.
(**) Los datos que aparecen en la tabla de planificación son de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías
| |
descripción |
| Actividades introductorias |
Introducció al desenvolupament de l'assignatura i als seus continguts |
| Lectura de documentación escrita / gráfica elaborada |
Treball de l'alumne amb els continguts de l'assignatura |
| Prácticas a través de TIC |
Exercicis pràctics per a assolir experiència i consolidar els coneixements teòrics |
| Foros de discusión |
Discussió oberta i telemàtica sobre diferents aspectes de la matèria |
| Atención personalizada |
Atenció personalitzada per vies telemàtiques |
|
descripción |
|
Resolución de dudas sobre los contenidos y los ejercicios prácticos. Se realizará por vía telemática (e-mail, campus virtual,
vídeoconferencias, etc.) |
|
Metodologías |
Competencias
|
descripción |
Peso |
|
|
|
|
| Prácticas a través de TIC |
|
Entre 4 y 5 ejercicios prácticos |
90% |
| Pruebas orales en línea |
|
Defensa oral de un trabajo |
10% |
| Otros |
|
|
|
| |
|
Otros comentarios y segunda convocatoria |
|
Para aprobar es necesario entregar todas las actividades que se propongan en clase, y tener una nota final superior a 5. Una actividad que no cumpla con los requisitos del enunciado, no funcione correctamente o esté incompleta contará como un 0. La segunda convocatoria supone terminar y superar las partes pendientes en la primera. |
| Básica |
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
|
|
| Complementaria |
|
|
(*)La Guía docente es el documento donde se visualiza la propuesta académica de la URV. Este documento es público y no es modificable, excepto en casos excepcionales revisados por el órgano competente o debidamente revisado de acuerdo la normativa vigente. |
|