1.-La asignatura de SAD es de tercer curso y se encuentra en el módulo Sistemas de Información dentro del Grado en Ingeniería Informática de Gestión y Sistemas de Información.

2.-Esta asignatura necesita de las competencias y conocimientos desarrollados y adquiridos en Algebra de primer curso así como de la asignatura de Métodos Estadísticos de la Ingeniería, ya que varios de los conceptos que se ven de forma genérica en estas materias después se desarrollan y aplican para el estudio de Métodos de Ingeniería Informática especializados en el análisis de datos complejos y el apoyo en la toma de decisiones y control de procesos. En esta asignatura se desarrollan técnicas propias de la Inteligencia Computacional que pueden ser aplicadas en prácticamente en cualquier ámbito de la ingeniería y más concretamente en el procesado de datos, para la resolución de problemas complejos. Esta asignatura se ve complementada por la asignatura de Lenguajes, Computación y Sistemas Inteligentes, donde se estudian cuestiones complementarias a la asignatura como pueden ser las Maquinas de Turing. Esta asignatura permite la adquisición de competencias para el desarrollo e investigación de aplicaciones donde la Inteligencia Computacional es de gran aplicación: Procesado de grandes cantidades de información, procesado de datos complejos, toma de decisiones en ámbitos con incertidumbre etc. De hecho en esta asignatura se trabaja de forma muy importante las competencias transversales de la Innovación y el Aprendizaje Autónomo, debido a que el ámbito tratado por la asignatura es un área gran interés científico donde la investigación tiene una gran importancia.

3.-Si bien es interesante dominar conceptos matemáticos, y destrezas en programación básicas, lo más importante es tener disponer de una fuerte Curiosidad propia de cualquier persona interesada en la Ingeniería.

4.-Como se ha mencionado anteriormente, los conocimientos y competencias adquiridas en esta asignatura son actualmente son de gran interés científico donde se van proponiendo nuevos algoritmos y conceptos todos años. Por tanto el ámbito donde estos conocimientos son de aplicación son de interés para centros de investigación, empresas de gran componente científica o tecnológica, así como empresas que deseen tomar decisiones en base a las evidencias y datos disponibles, así como aquellas que desean controlar procesos de dinámica compleja.

Competencias propias de la asignatura:

1.-Comprender los fundamentos de la ayuda a la decisión.

2.-Aplicar las diferentes estrategias en la toma de decisiones bajo condiciones de incertidumbre.

3.-Discutir la naturaleza de las distintas formas de aproximarse al problema de la toma de decisiones en contextos y aplicaciones diversas.



Competencias transversales:

1.-Aprendizaje autónomo (grado alto)

2.-Capacidad de innovación y creatividad (grado alto)

0.-Introducción al problema de la toma de decisiones y presentación general de las técnicas a utilizar

1.-Redes Bayesianas

1.1.-Metodo Bayesiano ingenuo

1.2.-Noción de grafo y su aplicación a las redes bayesianas

1.3.-Inferencia con Redes Bayesianas

1.4.-Necesidad del aprendizaje automático para la construcción de una red bayesiana

2.-Diagramas de influencia y arboles de decisión

2.1.-Definición y construcción de diagramas de influencia y arboles de decisión

2.2.-Análisis de Coste/Utilidad

2.3.-Análisis de Sensibilidad

3.-Aprendizaje automático

3.1.-Redes Neuronales supervisadas

3.2.-Redes Neuronales no supervisadas

3.3.-Algoritmos de Optimización y algoritmos genéticos

3.4.-Algoritmo NEAT, neuro evolución.

3.5.-Clasificadores y Metaclasificadores: ID3, Adaboost.

3.6.-Deep Learning, Aprendizaje Profundo. Redes Neuronales Convolucionales.

Autoencoders, Transformers y LSTM. Características de las técnicas de aprendizaje especiales

de este tipo de redes neuronales artificiales: Algoritmos de regulización L1, L2, dropout y

modificaciones de las funciones de activación. Concepto de interpretabilidad en redes

Se podrá lograr una guía docente más detallada mediante la plataforma Moodle.

• Sistema de Evaluación Final
• Herramientas y porcentajes de calificación:
  • Realización de prácticas (ejercicios, casos o problemas) (%): 30
  • Trabajos en equipo (resolución de problemas, diseño de proyectos) (%): 70

1.-Se realizará un trabajo a lo largo de la asignatura que cubre los siguientes aspectos (7.25 puntos):

1.1.-Realización de un Estado del Arte o Técnica

1.2.-Implementación de diferentes algoritmos para un mismo problema

1.3.-Comparativa de las diferentes alternativas para solucionar un mismo problema

2.-Realización de practicas y series de ejercicios. 2.75 puntos

Se aplicará la calificación de no presentado a aquella persona que no haya realizado y entregado en plazo una cantidad de trabajos y prácticas equivalente al 55% de la nota total.

La evaluación de todos estos puntos se realizarán de forma continua según la guía docente detallada proporcionada desde Moodle. Debido a que toda la evaluación se basa en entregas vía egela de forma telematica, no se espera que se deba hacer adaptación alguna en caso de emergencia sanitaria.

Las personas que habiendo seguido la evaluación normal no hayan aprobado en la convocatoria ordinaria se les pedirá que entreguen los trabajos solicitados durante el curso con las correcciones que se les haya propuesto durante el curso y en caso de las tareas que no hayan cumplimentado que las realicen y las entreguen para la fecha de examen propuesta para la convocatoria extraordinaria. Si no se entregase en ese plazo se les calificaría como no presentado.

En el caso de las personas que hayan solicitado una evaluación única final, deberán hacer un examen único final en el que se solicitará entre otro tipo de ejercicios la resolución de problemas propias de las practicas como ejercicios sencillos de programación en Matlab. También se podrá pedir que se responda a cuestiones relacionadas con las competencias transversales propias de la asignatura (Innovación y Aprendizaje Autónomo).

Se dispondrán de apuntes mediante la plataforma moodle.

Bibliografía básica

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

Bibliografía de profundización

- 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.

Revistas

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

Direcciones web

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