Guías Docentes Electrónicas
1. DATOS GENERALES
Asignatura:
DESARROLLO DE SISTEMAS INTELIGENTES
Código:
310606
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
2359 - MÁSTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA (CR)
Curso académico:
2021-22
Centro:
108 - E.SUPERIOR DE INFORMATICA ( CIUDAD REAL )
Grupo(s):
20 
Curso:
1
Duración:
C2
Lengua principal de impartición:
Español
Segunda lengua:
Uso docente de otras lenguas:
English Friendly:
S
Página web:
Espacio virtual de la asignatura en https://campusvirtual.uclm.es
Bilingüe:
N
Profesor: EUSEBIO ANGULO SANCHEZ HERRERA - Grupo(s): 20 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
2.17
MATEMÁTICAS
926295300 EXT 3711
eusebio.angulo@uclm.es
Disponible en https://esi.uclm.es/categories/profesorado-y-tutorias

Profesor: ARTURO PERALTA MARTIN-PALOMINO - Grupo(s): 20 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
FERMIN CABALLERO
TECNOLOGÍAS Y SISTEMAS DE INFORMACIÓN
926295300
Arturo.Peralta@uclm.es
Disponible en https://esi.uclm.es/categories/profesorado-y-tutorias

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: Lógica, 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.


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.
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
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.
Adquirir el conocimiento necesario para el desarrollo, puesta en marcha y explotación de un sistema inteligente.
Resultados adicionales
Descripción
Saber hacer uso de los algoritmos de aprendizaje automático, la representación del conocimiento y la minería de datos, aplicándolos creativamente en la solución de problemas para área concretas como por ejemplo: sistemas recomendadores, inteligencia de negocio, etc.
Adquirir las habilidades para diseñar y desarrollar un Sistema Inteligente.
Consolidar de una manera práctica los conocimientos adquiridos anteriormente sobre Inteligencia Artificial y Sistemas Basados en Conocimiento.
6. TEMARIO
  • Tema 1: Sistemas basados en procesamiento de datos
  • Tema 2: Modelos basados en aprendizaje no supervisado
  • Tema 3: Modelos basados en aprendizaje supervisado
  • Tema 4: Aplicaciones basadas en analítica de datos
7. ACTIVIDADES O BLOQUES DE ACTIVIDAD Y METODOLOGÍA
Actividad formativa Metodología Competencias relacionadas ECTS Horas Ev Ob Descripción
Enseñanza presencial (Teoría) [PRESENCIAL] Combinación de métodos CE12 UCLM02 0.6 15 N N Exposición del temario por parte del profesor (MAG)
Resolución de problemas o casos [PRESENCIAL] Seminarios CE12 PER01 PER02 PER04 0.6 15 S N Resolución de ejercicios por parte del profesor y los estudiantes (PRO)
Prácticas de laboratorio [PRESENCIAL] Prácticas CE12 PER01 PER02 PER04 UCLM02 0.72 18 S N Realización en el laboratorio de las prácticas programadas (LAB)
Tutorías individuales [PRESENCIAL] Trabajo dirigido o tutorizado SIS01 0.18 4.5 N N Tutorías individuales o en pequeños grupos en el despacho del profesor, clase o laboratorio (TUT)
Estudio o preparación de pruebas [AUTÓNOMA] Otra metodología CE12 SIS03 1.8 45 N N Estudio individual (EST)
Otra actividad no presencial [AUTÓNOMA] Resolución de ejercicios y problemas CE12 INS04 SIS03 0.9 22.5 S N Realización de un informe sobre un tema propuesto por el profesor (RES)
Elaboración de memorias de Prácticas [AUTÓNOMA] Autoaprendizaje INS01 INS04 INS05 SIS01 SIS03 UCLM02 0.9 22.5 S N Preparación de prácticas de laboratorio (PLAB)
Prueba final [PRESENCIAL] Pruebas de evaluación CE12 INS01 INS05 0.3 7.5 S S Realización de un examen final de todo el temario de la asignatura (EVA)
Total: 6 150
Créditos totales de trabajo presencial: 2.4 Horas totales de trabajo presencial: 60
Créditos totales de trabajo autónomo: 3.6 Horas totales de trabajo autónomo: 90

Ev: Actividad formativa evaluable
Ob: Actividad formativa de superación obligatoria (Será imprescindible su superación tanto en evaluación continua como no continua)

8. CRITERIOS DE EVALUACIÓN Y VALORACIONES
Sistema de evaluación Evaluacion continua Evaluación no continua * Descripción
Resolución de problemas o casos 20.00% 20.00% Actividad no obligatoria y recuperable.
[RES] Realización de un Proyecto de análisis de un conjunto de datos.
Esta actividad se puede recuperar en el momento de la prueba final.
Realización de prácticas en laboratorio 10.00% 10.00% Actividad no obligatoria y recuperable.
[LAB] Supervisión del trabajo realizado en el laboratorio por el estudiante.
Esta actividad se puede recuperar en el momento de la prueba final.
Elaboración de memorias de prácticas 20.00% 20.00% Actividad no obligatoria y recuperable.
[PLAB] Implementación de la resolución del problema de análisis de datos. Consiste en la entrega de un "cuaderno de laboratorio" y del código fuente relacionado que complementará a la memoria del trabajo aportando detalles técnicos, de implementación, y de resultados experimentales explicitando los problemas y las dificultades superadas.
Esta actividad se puede recuperar en el momento de la prueba final.
Presentación oral de temas 10.00% 10.00% Actividad no obligatoria y recuperable.
[PRO] Se realizarán seminarios con presentaciones de trabajos individuales y/o en grupo.
Esta actividad se puede recuperar en el momento de la prueba final.
Prueba final 40.00% 40.00% Actividad obligatoria y recuperable.
[EVA] La Prueba Final se realiza durante el período de exámenes (ordinario y extraordinario). Consiste en la presentación y defensa del informe final del Proyecto.
El informe final del Proyecto se envía previamente a través del campus virtual.
Total: 100.00% 100.00%  
* En Evaluación no continua se deben definir los porcentajes de evaluación según lo dispuesto en el art. 6 del Reglamento de Evaluación del Estudiante de la UCLM, que establece que debe facilitarse a los estudiantes que no puedan asistir regularmente a las actividades formativas presenciales la superación de la asignatura, teniendo derecho (art. 13.2) a ser calificado globalmente, en 2 convocatorias anuales por asignatura, una ordinaria y otra extraordinaria (evaluándose el 100% de las competencias).

Criterios de evaluación de la convocatoria ordinaria:
  • Evaluación continua:
    En las actividades obligatorias se debe obtener un mínimo de 4 sobre 10 para considerar la actividad superada y poder aprobar la asignatura. La valoración de las actividades será global y, por tanto, se debe expresar por medio de una única nota. En las actividades recuperables existe una prueba de evaluación alternativa en la convocatoria extraordinaria.

    La prueba final será común para todos los grupos de teoría/laboratorio de la asignatura y será calificada por los profesores de la asignatura de forma horizontal, es decir, cada una de las partes de la prueba final será evaluada por el mismo profesor para todos los estudiantes.

    El estudiante aprueba la asignatura si obtiene un mínimo de 50 puntos sobre 100 con las valoraciones de cada actividad de evaluación y supera todas las actividades obligatorias.

    Para los estudiantes que no aprueben la asignatura en la convocatoria ordinaria, la calificación de las actividades superadas se conservará para la convocatoria extraordinaria. Si una actividad no es recuperable, su valoración se conservará para la convocatoria extraordinaria aunque no se haya superado. En el caso de actividades recuperables superadas, el estudiante podrá presentarse a la evaluación alternativa de esas actividades en la convocatoria extraordinaria y, en ese caso, la nota final de la actividad corresponderá a la última nota obtenida.

    La calificación de las actividades superadas en cualquier convocatoria, exceptuando la prueba final, se conservará para el próximo curso académico a petición del estudiante siempre que ésta sea igual o superior a 5 y no se modifique las actividades formativas y los criterios de evaluación de la asignatura en el próximo curso académico.
    La no comparecencia a la prueba final supondrá la calificación de ¿No presentado¿. Si el estudiante no ha superado alguna actividad de evaluación obligatoria, la nota final en la asignatura no puede superar el 4 sobre 10.
  • Evaluación no continua:
    Los estudiantes pueden solicitar, al principio del cuatrimestre, acogerse a la modalidad de evaluación no continua.
    Del mismo modo, el estudiante podrá cambiarse a la modalidad de evaluación no continua siempre que no haya participado durante el periodo de impartición de clases en actividades evaluables que supongan en su conjunto al menos el 50% de la evaluación total de la asignatura. Si un estudiante ha alcanzado ese 50% de actividades valuables o si, en cualquier caso, el periodo de clases hubiera finalizado, se considerará en evaluación continua
    sin posibilidad de cambiar de modalidad de evaluación.

    Los estudiantes que se acogen a la modalidad de evaluación no continua serán calificados globalmente, en 2 convocatorias anuales, una ordinaria y otra extraordinaria, evaluándose el 100% de las competencias, a través de los sistemas de evaluación indicados en la columna ¿Evaluación no continua¿.

    En la modalidad de evaluación ¿no continua¿ no existe la obligatoriedad de conservar la nota obtenida por el estudiante en las actividades o pruebas (de progreso o parciales) que haya realizado en modalidad de evaluación continua.

Particularidades de la convocatoria extraordinaria:
Se realizará pruebas de evaluación para todas las actividades recuperables.
Particularidades de la convocatoria especial de finalización:
Mismas características que en la convocatoria extraordinaria.
9. SECUENCIA DE TRABAJO, CALENDARIO, HITOS IMPORTANTES E INVERSIÓN TEMPORAL
No asignables a temas
Horas Suma horas

Comentarios generales sobre la planificación: 4 horas lectivas a la semana
10. BIBLIOGRAFÍA, RECURSOS
Autor/es Título Libro/Revista Población Editorial ISBN Año Descripción Enlace Web Catálogo biblioteca
Ingeniería del conocimiento :aspectos metodológicos Pearson Educación 84-205-4192-3 2004 Ficha de la biblioteca
 
Everitt, Brian A handbook of statistical analyses using R Chapman and Hall/CRC 978-1-4200-7933-3 2010 Ficha de la biblioteca
Lantz, Brett Machine learning with R : learn how to use R to apply powerf Packt Publishing, 978-1-78216-214-8 2013 Ficha de la biblioteca
Loshin, David Big data analytics: from strategic planinning to enterprise Elsevier 978-0-12-417319-4 2013 Ficha de la biblioteca
Theodoridis, Sergios Machine Learning A Bayesian and Optimization Perspective Elsevier 978-0-12-801522-3 2015 https://www.sciencedirect.com/book/9780128015223/machine-learning#book-info  



Web mantenido y actualizado por el Servicio de informática