1.-Irakasgai hau Kudeketa Informatikaren eta Informazio Sistemen Ingenieritza Graduko hirugarren mailakoa da eta Informazio Sistemen atalean edo moduloan kokatzen da.



2.Irakasgaia honetako gaitasunak eta ezagutzak bereganetzeko komeni da lehen ikasturteko Aljebrako eta Estatistikako irakasgaiak egin izana, zeren eta irakasgai hauetan lantzen diren ezagutzak ondoren gure irakasgaian oso erabilgarriak suertatuko zaizkigu datu konplezuak aztertzerako orduan.



3.-Interesgarria bada ere kontzeptu matematikoak ongi menperatzea, eta oinarrizko programazio ezagutza batzuk izatea irakasgai hau aurrera eramateko, garrantzitsuena zera da Ingenieritzarekiko interesa duen edonork izan behar duen Jakinmin handi bat izatea da.



4.-Lehen aipatu dugun modura, irakasgai honetan bereganatuko dituzuen ezagutzak eta gaitasunak gaur egun interes zientifiko handiko esparruak dira, izan ere urtero urtero asmatzen dira algoritmo eta kontzeptu berriak. Horrezgain irakasgai honetan ikasiko dituzuen ezagutzak honako erakundeetarako interesgarriak dira:

-Ikerketa Erakundeak.

-Izaera tekniko edo zientifiko handia duten entrepresak

-Datuetan oinarrita erabakiak hartu nahi dituztuen edozein erakunde edo entrepresak.

-Dinamika konplexuko sistemak kontrolatu nahi dituzten entrepresak.

Irakasgaiaren berezko gaitasunak:

1.-Erabakiak hartzen laguntzaren oinarriak ulertzea.

2.-Ziurgabetasun egoeran erabakiak hartzeko dauden estrategia ezberdinak erabiltzea.

3.-Aztertzea erabakiak hartzeko dauden teknika ezberdinak, egoera eta aplikazio anitzetan erabiliz.



Zeharkako gaitasunak:

1.-Ikasbide Autonomoa (Maila handian)

2.-Sormena eta Berritzepena gaitasuna (Maila handian)

0.-Erabakiak Hartzearen Arazoaren Aurkezpen orokorra. Erabili beharreko teknika ezberdinen azalpen arin bat.

1.-Sare Bayesiarrak

1.1.-Metodo Bayesiar Bakuna

1.2.-Grafoaren kontzeptua eta bere erabiliera Sare Bayesiarretan.

1.3.-Inferentzia Sare Bayesiarrekin.

1.4.-Ikasbide Automatikoaren beharra Sare Bayesiarrak eraikitzerako orduan.

2.-Eragin Diagramak eta Erabakitze Zuhaitzak

2.1.-Eragin Diagramen eta Erabakitze Zuhaitzen definizioa.

2.2.-Kostu/Erabilgarritasun Analisia

2.3.-Sentikortasun Azterketa

3.-Ikasbide Automatikoa

3.1.-Garun Sare Gainbegiratuak

3.2.-Garun Sare ez Gainbegiratuak

3.3.-Hobetze algoritmoak eta algoritmo genetikoak

3.4.-NEAT algoritmoa, neuro garapena.

3.5.-Sailkagailuak eta Metasaikagailuak: ID3, Adaboost.

3.6.-Deep Learning, Ikasketa Sakona. Konboluzio sare neuronalak.

Autoencoderrrak, Transformers eta LSTM. Ikasketa Sakonearen tekniken ezaugarri bereizgarrienak: Erregularizazio algoritmoak, Batch normalizazioa, L1, L2, dropout eta aktibazio funtzio bereziak. Sare sakonen ulergarritasun kontzeptua.

Moodle plataformaren bitartez ikasle gida eskuragarri dago xehetasun gehiago.

• Azken Ebaluazioaren Sistema
• Kalifikazioko tresnak eta ehunekoak:
  • Praktikak egitea (ariketak, kasuak edo buruketak) (%): 30
  • alde lanak (arazoen ebazpenak, proiektuen diseinuak) (%): 70

1.-Irakasgaia osoaren zehar lan bat egingo dugu honako gaiak jorratuko dituena (7.25 puntu):

1.1.-Teknika edo Arte Egoeraren garapena

1.2.-Arazo bera ebazteko algoritmo ezberdinen garapena.

1.3.-Proposatutako eta egindako aukera guztien arteko erkaketa bat egingo da arazo bera ebazterako orduan.

2.-Praktika eta ariketa bildumak. (2.75 puntu)

Ez aurkeztuaren kalifikazioa egokitu zaio irakasgaiaren nota osoaren ehuneko 55'tari dagokion lanen eta praktiken kopurua garaiz entregatu ez duen ikasle orori.

Ebaluaketa era jarraian egingo dugu ikaslearen gidan azaltzen modura. Gida hau Moodlen eskuragarri izango duzue.

Deialdi arruntea irakasgaiak gainditu ez dutenek eta ebaluaketa jarraia edo arrunta aukeratu dutunek, irakasgaian eskatutako lanak era egokian (irakasleak eginiko zuzenketak kontuak harturik noski) entregatu ditzatela eskatuko zaie. Entregatu gabeko lanak berriz era egokian entregatu beharko dira Moodle plataformaren bitartez azterketa eguna baino lehenago. Ez badira garaiz entregatzen eskatutako lanak edo praktikak ez aurkeztuaren kalifikazioa jasoko du ikasleak.

Bukaerako ebaluaketa bakarra eskatu duten ikasleek azterketa bakarra egin beharko dute non beste ariketen artean praktiketan eginiko ariketen antzeko ariketak eta proposatutako ariketen bildumetako ariketen antzeko galderak ebaztea eskatuko zaizkie (Matlab bitartezko programazio errazak barne). Bestealde baita eskatuko zaie ere erantzun ditzatela zeharkako gaitasunekin loturik dauden ariketak (Sormena, Berritzapena eta Ikasbide Autonomoa).

Moodle plataformaren bitartez beharrezkoak diren apunteak eskuragarri izango dituzue.

Oinarrizko bibliografia

1.-S. Ríos, C. Bielza, A. Mateos. Fundamentos de los sistemas de ayuda a la decisión. Ra-Ma, 2002.

2.-Francisco Javier Díez Vegas, Teoría probabilista de la decisión en medicina. Informe Técnico CISIAD-07-01 UNED, Madrid 2007.

3.-Francisco Javier, Díez, Introducción a los modelos gráficos probabilistas, Departamento de Inteligencia Artificial, Uned, Octubre de 2007

4.-REDES NEURONALES Y SISTEMAS BORROSOS.

MARTIN DEL BRIO, BONIFACIO / SANZ MOLINA, ALFREDO

2006, ISBN978-84-7897-743-7, RA-MA

Gehiago sakontzeko bibliografia

- Alex Berson and Stephen J. Smith. Data Warehousing, Data Mining & OLAP. McGraw-Hill, 2001
- M.S. Silver. Systems that support decision makers: description and analysis. Wiley, 1991.
- George Marakas. Decision Support Systems. Prentice Hall, 2001.
- Sistemas Expertos y Modelos de Redes Probabilisticas, Enrique Castillo y otros, Universidad de Cantabria.
- Business intelligence: Técnicas de análisis para la toma de decisiones. Elizabeth Vitt, Michael Luckevich, Stacia Misner. McGraw-Hill 2003.

Aldizkariak

Decission Support Systems
IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
International Journal of Neural Systems
IEEE Computational Intelligence Magazine
JOURNAL OF MACHINE LEARNING RESEARCH

Web helbideak

http://dssresources.com
http://www.hindawi.com/journals/cin/aims/
http://siba-ese.unisalento.it/index.php/ejasa_dss
http://www.hindawi.com/journals/aans/aims/
http://www.upo.es/RevMetCuant/index.php