Denominación de la asignatura |
Técnicas de Inteligencia Artificial |
Postgrado al que pertenece |
Máster universitario en Análisis y Visualización de Datos Masivos / Visual Analytics & Big Data |
Créditos ECTS |
6 |
Curso y cuatrimestre en el que se imparte |
Primer cuatrimestre |
Carácter de la asignatura | Obligatoria |
El cerebro humano es capaz de reconocer patrones, sacar conclusiones de experiencias pasadas y aplicar dichas conclusiones a escenarios futuros. Las técnicas de Inteligencia Artificial (IA) pretenden dotar a los ordenadores de estas capacidades típicamente humanas. En esta asignatura se explican conceptos y métodos de aprendizaje automático y se hace énfasis en aquellas técnicas más apropiadas para su aplicación en la minería de datos, enfocada a resolver problemas analizando grandes cantidades de datos disponibles en una base de datos.
El análisis masivo de datos aplicando técnicas de inteligencia artificial permite extraer conclusiones de un conjunto de datos que no podrían ser extraídas con técnicas estadísticas clásicas. En concreto, en esta asignatura se explican algoritmos y técnicas de inteligencia artificial, como pueden ser aquellos que permiten obtener reglas de clasificación o asociación, o representaciones del conocimiento mediante árboles de decisión, así como técnicas de clustering para la clasificación no-supervisada, redes neuronales o la computación evolutiva. Mediante la aplicación de herramientas de minería de datos el alumno podrá ejecutar diferentes algoritmos para la resolución de problemas de aprendizaje e interpretar el resultado de dichos algoritmos y su evaluación. Así mismo, el alumno será capaz de diseñar un sistema experto que sea capaz de inferir nuevos conocimientos.
Competencias básicas
Competencias generales
Competencias específicas
Competencias transversales
Tema 1. Introducción
Aproximación a los conceptos inteligencia artificial, aprendizaje automático y minería de datos. Interés y aplicaciones
Definición de aprendizaje, tareas básicas y ejemplos
Etapas en el descubrimiento de conocimiento
Referencias
Tema 2. Resolución de problemas mediante búsqueda
Introducción. Ejemplo «El mundo de los bloques»
Dirección de la búsqueda
Búsqueda exhaustiva o a ciegas
Búsqueda heurística
Búsqueda en juegos
Costes
Tema 3. Sistemas expertos
Introducción. Representación del conocimiento mediante reglas
Características y estructura de un sistema experto
Técnicas de inferencia: encadenamiento de reglas hacia adelante y hacia atrás
Resolución de conflictos
CLIPS: Herramienta software para construir sistemas expertos
Tema 4. Gestión de la incertidumbre e imprecisión en sistemas expertos
Introducción
Razonamiento bayesiano
Factores de certeza
Lógica difusa
Conjuntos difusos
Variables lingüísticas
Reglas difusas
Inferencia difusa
FuzzyCLIPS: Programación de incertidumbre e imprecisión en CLIPS
Referencias
Tema 5. Árboles de decisión
Introducción. Representación del conocimiento mediante árboles de decisión
Descripción de la tarea de inducción
Algoritmo básico de aprendizaje de árboles de decisión: ID3
Espacio de búsqueda y bias inductivo
Métodos de selección de atributos
Sobreajuste y poda de árboles
Medidas de precisión de la clasificación
Simplificación de árboles de decisión mediante poda: algoritmo C4.5
WEKA: herramienta software para el análisis de conocimiento
Referencias
Tema 6. Reglas
Introducción. Representación del conocimiento mediante reglas
Algoritmos de aprendizaje de reglas de clasificación
Algoritmos de aprendizaje de reglas de asociación
Referencias
Tema 7. Clustering: Agrupamiento o clasificación no supervisada
Conceptos. Tipos de algoritmos de clustering. Medida de distancia
Agrupamiento exclusivo. El algoritmo K-means
Agrupamiento jerárquico. Algoritmo de agrupamiento jerárquico aglomerativo
Agrupamiento probabilista. El algoritmo EM
Agrupamiento solapado. El algoritmo Fuzzy C-means
Tema 8. Sistemas de recomendación
Introducción. Tipos de recomendadores y aplicaciones
Recomendación colaborativa. Filtrado colaborativo basado en usuarios. Filtrado colaborativo basado en ítems
Recomendación basada en contenido. Representación del contenido y similitud entre elementos
Referencias
Tema 9. Redes neuronales artificiales
Introducción. Fundamento biológico
La neurona artificial. El perceptrón
Redes neuronales multicapa
Redes neuronales recurrentes. Hopfield Network
Referencias
Tema 10. Computación evolutiva: Algoritmos genéticos
Introducción. Simulación de la evolución natural en un ordenador
Etapas de un AG. Población de cromosomas. Función de fitness. Operadores de selección, cruce y mutación
Diseño de un AG para la resolución de problemas de búsqueda de soluciones
Mejora de un AG mediante técnicas de diversidad
Referencias
Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.
Las actividades formativas de esta asignatura son las siguientes:
En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.
Estas actividades formativas prácticas se completan, por supuesto, con estas otras:
Las horas de dedicación a cada actividad se detallan en la siguiente tabla:
ACTIVIDADES FORMATIVAS |
HORAS |
Sesiones Presenciales Virtuales | 15,0 |
Lecciones magistrales | 6,0 |
Estudio Personal de material básico | 50,0 |
Lectura de material complementario | 25,0 |
Realización de los casos prácticos | 15,0 |
Autoevaluación exámenes | 14,0 |
Tutoría individual y grupal | 16,0 |
Trabajo colaborativo, foro, chat, debates | 7,0 |
Evaluación Final | 2,0 |
Total |
150 |
Bibliografía básica
Los textos necesarios para el estudio de la asignatura han sido elaborados por la UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.
Bibliografía complementaria
Bhasker, B. & Srikumar, K. (2010). Recommender Systems in e-Commerce. Methodologies and Applications of Data Mining. New Delhi: McGraw Hill.
Durkin, J. (1994). Expert Systems: Design and Development. Macmillan Coll Div.
Fikes, R.E. & Nilsson, N.J. (1971). Strips: A new approach to the application of theorem proving to problem solving. Artificial Intelligence, 2(3–4), 189-208.
Gen, M. (1997). Genetic algorithms and engineering design. New York: Wiley.
Géron, A. (2018). Neural networks and deep learning. Estados Unidos: O'Reilly Media, Inc.
Gurney, K. (1997) An Introduction to Neural Networks. London: UCL Press.
Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and technique. San Francisco: Morgan Kaufmann.
Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Prentice Hall.
Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.
Jackson, P. (1998). Introduction to Expert Systems. Addison-Wesley.
Jannach, D., Zanker, M., Felferning, A. & Friedrich, G. (2011). Recomender Systems: An Introduction. Cambridge University Press.
Michalewicz, Z. (1996). Genetic algorithms + data structures = evolution programs. Berlin-New York: Springer-Verlag.
Mitchell, T. M. (1997). Machine Learning. Mc.Graw-Hill.
Negnevitsky, M. (2005). Artificial Intelligence. A Guide to Intelligent Systems. UK: Addison-Wesley.
Poole, D. L. & Mackworth, A. K. (2010). Artificial intelligence: foundations of computational agents. New York: Cambridge University Press.
Quinlan, J.R. (1993). C4.5: programs for Machine Learning. San Francisco: Morgan Kauffmann
Ricci, F., Rokach, L., Shapira, B. & Kantor, P.B. (Eds). (2011). Recommender Systems Handbook. Springer Science+Business Media.
Roiger, R.J. & Geatz, M.W. (2003) Data Mining, a Tutorial-based Primer. Pearson Education.
Witten, I.H. & Frank, E. (2005). Data Mining. USA: Morgan Kaufmann Publishers.
Witten, I., Frank, E. y Hall, M. (2011). Data mining: Practical machine learning tools and techniques (Fourth ed.). Estados Unidos: Morgan Kaufmann Publishers Inc.
Xu, R. & Wunsch, D. (2009). Clustering. USA: Wiley.
El sistema de calificación se basa en la siguiente escala numérica:
0 - 4, 9 |
Suspenso |
(SS) |
5,0 - 6,9 |
Aprobado |
(AP) |
7,0 - 8,9 |
Notable |
(NT) |
9,0 - 10 |
Sobresaliente |
(SB) |
La calificación se compone de dos partes principales:
El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.
La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.
Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado en la programación semanal. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.
El sistema de evaluación de la asignatura es el siguiente:
SISTEMA DE EVALUACIÓN |
PONDERACIÓN |
PONDERACIÓN |
Participación en foros y otros medios participativos |
0% |
10% |
Realización de trabajos, proyectos y casos |
20% |
30% |
Test autoevaluación |
0% |
10% |
Examen final presencial |
60% |
60% |
Claudia Villalonga Palliser
Formación académica: Doctora por la Universidad de Granada en Tecnologías de la Información y la Comunicación. Máster Universitario en Dirección de las Organizaciones en la Economía del Conocimiento. Ingeniera de Telecomunicación.
Experiencia: Investigadora y docente en UNIR. Más de 10 años en I+D+i sobre TIC, en industria (CGI España, SAP-Suiza, NEC-Alemania) y academia (UGR, KHU-Corea, ETH Zurich). Coordinadora de proyectos de I+D europeos (FP7) y nacionales.
Líneas de investigación: Ingeniería del conocimiento. Modelado ontológico del comportamiento humano
Óscar García García
Formación: Doctor en Ingeniería Informática por la Universidad de Salamanca e Ingeniero de Telecomunicación por la Universidad de Valladolid. Máster para el Desarrollo de Sistemas de Comercio Electrónico por la Universidad de Salamanca (título propio).
Experiencia: Docente en el Máster Universitario en Inteligencia Artificial de UNIR. Investigador en el grupo BISITE (Universidad de Salamanca). Anteriormente profesor asociado y colaborador en el grupo GSIC-EMIC en la Universidad de Valladolid. Ha participado en múltiples proyectos de investigación nacionales y europeos. En el ámbito empresarial es gestor de proyectos de software de eficiencia energética y cofundador de una startup especializada en sistemas RTLS y WSN.
Líneas de investigación: Investigador y colaborador del grupo de investigación BISITE (USAL) es autor de más de 35 publicaciones científicas y de varias propiedades intelectuales. Sus líneas de investigación giran en torno a los sistemas WSN y RTLS como fuentes de información para el desarrollo de sistemas de eficiencia energética (Demand-Response, Disaggregation, etc.), haciendo uso de técnicas Big Data, Data Analytics y Social Computing, que permitan mejorar el comportamiento energético de personas y máquinas.
Obviamente, al tratarse de formación online puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:
Recuerda que en el aula virtual del Curso de introducción al campus virtual puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.
Ten en cuenta estos consejos…
|