Guías Docentes Electrónicas
1. DATOS GENERALES
Asignatura:
DESARROLLO DE SISTEMAS INTELIGENTES
Código:
310606
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
2358 - MÁSTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA (AB)
Curso académico:
2019-20
Centro:
604 - ESCUELA SUPERIOR DE INGENIERIA INFORMATICA (AB)
Grupo(s):
10  11 
Curso:
1
Duración:
C2
Lengua principal de impartición:
Español
Segunda lengua:
Uso docente de otras lenguas:
Inglés
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
Consultar https://www.esiiab.uclm.es/tutorias.php

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
CB06 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB08 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
CB09 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
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.
INS01 Capacidad de análisis, síntesis y evaluación.
INS04 Capacidad de resolución de problemas aplicando técnicas de ingeniería.
INS05 Capacidad para argumentar y justificar lógicamente las decisiones tomadas y las opiniones.
PER01 Capacidad de trabajo en equipo.
PER02 Capacidad de trabajo en equipo interdisciplinar.
PER04 Capacidad de relación interpersonal.
SIS01 Razonamiento crítico.
SIS03 Aprendizaje autónomo.
UCLM02 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.
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 ECTS Horas Ev Ob Rec Descripción
Enseñanza presencial (Teoría) [PRESENCIAL] Método expositivo/Lección magistral CE12 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 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 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 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 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 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 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 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.
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 Ficha de la biblioteca
James, G., Witten, D., Hastie, T., Tibshirani, R. An Introduction to Statistical Learning with Applications in R Springer 978-1-4614-7137-0 2013 Ficha de la biblioteca
Jannach, Zanker, Felfernig y Friedrich Recommender systems: an introduction Cambridge University Press 2010  



Web mantenido y actualizado por el Servicio de informática