1. DATOS GENERALES
Asignatura:
DESARROLLO DE SISTEMAS INTELIGENTES
Código:
310606
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
2327 - MASTER UNIVERSITARIO ENINGENIERÍA INFORMÁTICA (AB)
Curso académico:
2018-19
Centro:
604 - E.S. DE INGENIERIA INFORMATICA ALBACETE
Grupo(s):
10
11
Curso:
1
Duración:
C2
Lengua principal de impartición:
Español
Segunda lengua:
Uso docente de otras lenguas:
English Friendly:
N
Página web:
http://campusvirtual.uclm.es
Bilingüe:
N
Profesor:
LUIS DE LA OSSA JIMENEZ
- Grupo(s):
10
11
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
ESII / 0.A.12
SISTEMAS INFORMÁTICOS
2413
luis.delaossa@uclm.es
2. REQUISITOS PREVIOS
Esta asignatura se apoya en las competencias y los conocimientos adquiridos en las
asignaturas del grado de Informática relativas a la Inteligencia Artificial como:
Logica, Estadística, Materias relacionadas con programación y Sistemas inteligentes
3. JUSTIFICACIÓN EN EL PLAN DE ESTUDIOS, RELACIÓN CON OTRAS ASIGNATURAS Y CON LA PROFESIÓN
Esta asignatura se integra en la materia de Computación del plan de estudios.
Esta asignatura, que se encuentra entre las más requeridas en la resolución de problemas complejos, presenta una introducción a las
metodologías y las herramientas asociadas al análisis inteligente de grandes volúmenes de datos. En la actualidad la sociedad vive inmersa en
el fenómeno del Big Data debido al incremento exponencial del volumen de datos que se generan. Es por ello que se hace imprescindible el
uso de técnicas automáticas inteligentes que sean capaces de analizar y convertir esos datos en conocimiento útil para el soporte de
decisiones en cualquier tipo de organización, empresa o institución. Así pues, esta vertiente de análisis de datos y sistemas de
recomendaciones permite abordar problemas planteados en conjunto con otras asignaturas, como son casos de estudio en Inteligencia de
Negocios, Ciudades Inteligentes, Big Data, etc.
Esta asignatura se integra en la materia de Computación del plan de estudios.
Esta asignatura, que se encuentra entre las más requeridas en la resolución de problemas complejos, presenta una introducción a las metodologías y las herramientas asociadas al análisis inteligente de grandes volúmenes de datos. En la actualidad la sociedad vive inmersa en el fenómeno del Big Data debido al incremento exponencial del volumen de datos que se generan. Es por ello que se hace imprescindible el uso de técnicas automáticas inteligentes que sean capaces de analizar y convertir esos datos en conocimiento útil para el soporte de decisiones en cualquier tipo de organización, empresa o institución. Así pues, esta vertiente de análisis de datos y sistemas de recomendaciones permite abordar problemas planteados en conjunto con otras asignaturas, como son casos de estudio en Inteligencia de Negocios, Ciudades Inteligentes, Big Data, etc.
4. COMPETENCIAS DE LA TITULACIÓN QUE LA ASIGNATURA CONTRIBUYE A ALCANZAR
| Competencias propias de la asignatura | |
|---|---|
| Código | Descripción |
| CE12 | Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento |
| INS1 | Capacidad de análisis, síntesis y evaluación |
| INS4 | Capacidad de resolución de problemas aplicando técnicas de ingeniería |
| INS5 | Capacidad para argumentar y justificar lógicamente las decisiones tomadas y las opiniones |
| PER1 | Capacidad de trabajo en equipo |
| PER2 | Capacidad de trabajo en equipo interdisciplinar |
| PER4 | Capacidad de relación interpersonal |
| PER5 | Reconocimiento a la diversidad, la igualdad y la multiculturalidad |
| SIS1 | Razonamiento crítico |
| SIS3 | Aprendizaje autónomo |
| UCLM2 | Capacidad para utilizar las Tecnologías de la Información y la Comunicación |
5. OBJETIVOS O RESULTADOS DE APRENDIZAJE ESPERADOS
| Resultados de aprendizaje propios de la asignatura | |
|---|---|
| Descripción | |
| Adquirir el conocimiento necesario para el desarrollo, puesta en marcha y explotación de un sistema inteligente | |
| Diseñar, prototipar y validar sistemas inteligentes en áreas típicas de aplicación (configuración, clasificación, etc.) | |
| Evaluar la viabilidad y necesidad de implantar un sistema inteligente para resolver un problema complejo | |
| Evaluar y explotar el sistema, incluyendo aspectos socio-económicos. | |
| Resultados adicionales | |
| Descripción | |
| Consolidar de una manera práctica los conocimientos adquiridos anteriormente sobre Inteligencia Artificial y Sistemas Basados en Conocimiento. Adquirir las habilidades para diseñar y desarrollar un Sistema Inteligente. Desarrollo de sistemas inteligentes para área concretas como son las recomendaciones a usuarios y la inteligencia de negocios. |
|
6. TEMARIO
-
Tema 1: Introducción a la ciencia de datos
-
Tema 2: Análisis exploratorio de datos
-
Tema 3: Regresión lineal, logística y regularización
-
Tema 4: Aprendizaje supervisado: Evaluación y validación
-
Tema 5: Aprendizaje supervisado: otros modelos
-
Tema 6: Aprendizaje no supervisado: agrupamiento
-
Tema 7: Reducción de la dimensionalidad
-
Tema 8: Sistemas de recomendación
-
Tema 9: Detección de anomalías
-
Tema 10: Recuperación de la información
-
Tema 11: Introducción a Big Data
7. ACTIVIDADES O BLOQUES DE ACTIVIDAD Y METODOLOGÍA
| Actividad formativa | Metodología | Competencias relacionadas (para títulos anteriores a RD 822/2021) | ECTS | Horas | Ev | Ob | Rec | Descripción * |
| Enseñanza presencial (Teoría) [PRESENCIAL] | Método expositivo/Lección magistral | CE12 INS4 SIS1 | 0.96 | 24 | S | N | S | Se proporcionará material para el seguimiento de la asignatura y se explicarán los principios fundamentales de cada tema. Los alumnos en modalidad semi-presencial usarán este material y emplearán el tiempo correspondiente en trabajo autónomo para su estudio. |
| Talleres o seminarios [PRESENCIAL] | Seminarios | INS4 SIS3 UCLM2 | 0.4 | 10 | S | N | N | Se impartirán varios seminarios para introducir las herramientas que serán utilizadas a lo largo del curso. Además, se harán, en la medida de lo posible, una o dos conferencias relativas a temas específicos. |
| Prácticas de laboratorio [PRESENCIAL] | Prácticas | CE12 INS4 PER1 PER2 PER4 SIS1 UCLM2 | 1.04 | 26 | S | S | S | Realización de prácticas guiadas por parte del profesor. Los alumnos de la modalidad semi-presencial dispondrán de los guiones y podrán realizar estos trabajos de forma autónoma, con consultas al profesor en horarios de tutorías o mediante cita previa. |
| Estudio o preparación de pruebas [AUTÓNOMA] | Otra metodología | SIS1 SIS3 | 0.96 | 24 | S | N | S | Repaso y preparación de los conceptos vistos en clase. Búsqueda de documentación y elaboración de temas. |
| Elaboración de memorias de Prácticas [AUTÓNOMA] | Prácticas | CE12 INS1 INS4 INS5 PER1 PER2 PER4 SIS1 SIS3 UCLM2 | 0.48 | 12 | S | S | S | Preparación de la documentación asociada a las prácticas y programas realizadas durante el curso. Elaboración de memorias y presentaciones relacionadas a los casos de estudio. |
| Prueba final [PRESENCIAL] | Pruebas de evaluación | CE12 INS1 INS4 INS5 SIS1 | 0.08 | 2 | S | S | S | Examen final para evaluar la superación de contenidos por parte de los alumnos (cuestiones, problemas y supuestos prácticos). Los alumnos que hayan demostrado la consecución de estos contenidos mediante las diferentes pruebas de progreso, estarán exentos de realizar esta prueba. |
| Elaboración de informes o trabajos [AUTÓNOMA] | Aprendizaje basado en problemas (ABP) | CE12 INS1 INS4 INS5 PER1 PER2 PER4 SIS1 SIS3 UCLM2 | 1.92 | 48 | S | S | S | Elaboración de las prácticas iniciadas en el laboratorio. Esta actividad requerirá de investigación y consulta de documentación. |
| Análisis de artículos y recensión [AUTÓNOMA] | Lectura de artículos científicos y preparación de recensiones | INS1 INS5 SIS1 | 0.16 | 4 | S | N | S | A lo largo del curso se proporcionarán varios enlaces y artículos de interés relacionados con la asignatura. |
| Total: | 6 | 150 | ||||||
| Créditos totales de trabajo presencial: 2.48 | Horas totales de trabajo presencial: 62 | |||||||
| Créditos totales de trabajo autónomo: 3.52 | Horas totales de trabajo autónomo: 88 | |||||||
Ev: Actividad formativa evaluable Ob: Actividad formativa de superación obligatoria Rec: Actividad formativa recuperable
8. CRITERIOS DE EVALUACIÓN Y VALORACIONES
| Valoraciones | |||
| Sistema de evaluación | Estudiante presencial | Estud. semipres. | Descripción |
| Realización de prácticas externas | 25.00% | 25.00% | LAB: Realización de prácticas correspondientes a tareas planteadas en el laboratorio. Los alumnos de modalidad presencial podrán realizar entregas parciales en clase, los alumnos en modalidad semi-presencial podrán enviar todas las respuestas via campus virtual. |
| Resolución de problemas o casos | 15.00% | 15.00% | INF: Realización de tareas correspondientes a problemas, casos de estudio o memorias de recopilación de información solicitada. |
| Prueba final | 50.00% | 50.00% | ESC: Prueba final de contenidos (examen escrito). Podrá eximirse de esta prueba a los alumnos que hayan demostrado adquirir los conocimientos mediante las pruebas de progreso. |
| Trabajo | 10.00% | 10.00% | PRES: Elaboración de la presentación y defensa de una de las prácticas. |
| Total: | 100.00% | 100.00% | |
Criterios de evaluación de la convocatoria ordinaria:
Consiste de dos apartados principales que deben aprobarse por separado:
1) Obtener un 5 sobre 10 en la prueba final.
2) Obtener un 5 sobre 10 en los apartados correspondientes a prácticas y casos de estudio.
Al margen de los mínimos en 1 y 2, se debe obtener un 5 sobre 10 al menos en la suma total.
1) Obtener un 5 sobre 10 en la prueba final.
2) Obtener un 5 sobre 10 en los apartados correspondientes a prácticas y casos de estudio.
Al margen de los mínimos en 1 y 2, se debe obtener un 5 sobre 10 al menos en la suma total.
Particularidades de la convocatoria extraordinaria:
Ninguna. Se menatienen los requisitos.
Particularidades de la convocatoria especial de finalización:
Idéntica a la convocatoria extraordinaria. Las prácticas corresponderán a las realizadas el curso anterior.
9. SECUENCIA DE TRABAJO, CALENDARIO, HITOS IMPORTANTES E INVERSIÓN TEMPORAL
| No asignables a temas | |
|---|---|
| Horas | Suma horas |
| Talleres o seminarios [PRESENCIAL][Seminarios] | 8 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 2 |
| Elaboración de memorias de Prácticas [AUTÓNOMA][Prácticas] | 12 |
| Prueba final [PRESENCIAL][Pruebas de evaluación] | 2 |
| Elaboración de informes o trabajos [AUTÓNOMA][Aprendizaje basado en problemas (ABP)] | 48 |
| Análisis de artículos y recensión [AUTÓNOMA][Lectura de artículos científicos y preparación de recensiones] | 4 |
| Tema 1 (de 11): Introducción a la ciencia de datos | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semana 1 | |
| Tema 2 (de 11): Análisis exploratorio de datos | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Talleres o seminarios [PRESENCIAL][Seminarios] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 4 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 2 a 4 | |
| Tema 3 (de 11): Regresión lineal, logística y regularización | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 2 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 3 a 6 | |
| Tema 4 (de 11): Aprendizaje supervisado: Evaluación y validación | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 2 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 4 a 6 | |
| Tema 5 (de 11): Aprendizaje supervisado: otros modelos | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 4 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 4 |
| Periodo temporal: Semana 5-6 | |
| Tema 6 (de 11): Aprendizaje no supervisado: agrupamiento | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 4 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 9-10 | |
| Tema 7 (de 11): Reducción de la dimensionalidad | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 4 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 7-8 | |
| Tema 8 (de 11): Sistemas de recomendación | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semana 10 | |
| Tema 9 (de 11): Detección de anomalías | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 4 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 11-12 | |
| Tema 10 (de 11): Recuperación de la información | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semana 12 | |
| Tema 11 (de 11): Introducción a Big Data | |
|---|---|
| Actividades formativas | Horas |
| Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
| Prácticas de laboratorio [PRESENCIAL][Prácticas] | 4 |
| Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 2 |
| Periodo temporal: Semanas 13-15 | |
| Actividad global | |
|---|---|
| Actividades formativas | Suma horas |
| Comentarios generales sobre la planificación: | Esta planificación es ORIENTATIVA, pudiendo variar a lo largo del periodo lectivo en función de las necesidades docentes, festividades, o por cualquier otra causa imprevista. La planificación semanal de la asignatura podrá encontrarse de forma detallada y actualizada en la plataforma Campus Virtual (Moodle). La planificación temporal podrá verse modificada ante causas imprevistas. |
10. BIBLIOGRAFÍA, RECURSOS
| Autor/es | Título | Libro/Revista | Población | Editorial | ISBN | Año | Descripción | Enlace Web | Catálogo biblioteca |
|---|---|---|---|---|---|---|---|---|---|
| Documentación Matplotlib | http://matplotlib.org/ | ||||||||
| Documentación Numpy | http://www.numpy.org/ | ||||||||
| Documentación Scikit-learn | http://scikit-learn.org/stable/documentation.html | ||||||||
| Documentación de Pandas | http://pandas.pydata.org/ | ||||||||
| An introduction to knowledge enginering | Kendall y Creen | Springer | 2007 | ||||||
| Anand Rajaraman, Jeffrey David Ullman | Mining of Massive Datasets | Cambridge University Press | 9781107015357 | 2011 | http://www.mmds.org/ | ||||
| Andrés Marzal, Isabel Gracia | Introducción a la programación con Python | https://www.u-cursos.cl/ingenieria/2011/2/CC3501/1/material_docente/bajar?id_material=381752 | |||||||
| Everitt, Brian | A handbook of statistical analyses using R | Chapman and Hall/CRC | 978-1-4200-7933-3 | 2010 |
|
||||
| James, G., Witten, D., Hastie, T., Tibshirani, R. | An Introduction to Statistical Learning with Applications in R | Springer | 978-1-4614-7137-0 | 2013 |
|
||||
| Jannach, Zanker, Felfernig y Friedrich | Recommender systems: an introduction | Cambridge University Press | 2010 |