Sistemas de Apoyo a la Decisión - 26027

Centro
Escuela Universitaria de Ingeniería de Vitoria-Gasteiz
Titulación
Grado en Ingeniería Informática de Gestión y Sistemas de Información
Curso académico
2017/18
Curso
3
Nº Créditos
6
Idiomas
Castellano

Docenciatoggle-navigation

Distribución de horas por tipo de enseñanza
Tipo de docenciaHoras de docencia presencialHoras de actividad no presencial del alumno/a
Magistral4567
P. Laboratorio1522

Guía docentetoggle-navigation

Descripción y Contextualización de la Asignaturatoggle-navigation

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/ Resultados de aprendizaje de la asignaturatoggle-navigation

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)

Contenidos teórico-prácticostoggle-navigation

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

2.1.-Análisis de Coste/Utilidad

2.2.-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.-Clasificadores y Metaclasificadores: ID3, Adaboost.

Metodologíatoggle-navigation

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

Sistemas de evaluacióntoggle-navigation

  • Sistema de Evaluación Final
  • Herramientas y porcentajes de calificación:
    • Realización de prácticas (ejercicios, casos o problemas) (%): 20
    • Trabajos en equipo (resolución de problemas, diseño de proyectos) (%): 80

Convocatoria Ordinaria: Orientaciones y Renunciatoggle-navigation

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.

Materiales de uso obligatoriotoggle-navigation

Se dispondrán de apuntes mediante la plataforma moodle.

Bibliografíatoggle-navigation

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

Tribunal de convocatorias 5ª, 6ª y excepcionaltoggle-navigation

  • BARAMBONES CARAMAZANA, OSCAR
  • RICO PASTRANA, TEODORO
  • ZULUETA GUERRERO, EKAITZ

Grupostoggle-navigation

01 Teórico (Castellano - Mañana)Mostrar/ocultar subpáginas

Calendario
SemanasLunesMartesMiércolesJuevesViernes
16-30

09:00-12:00

Profesorado

Aula(s) impartición

  • AULA 213 - AULARIO LAS NIEVES

01 P. Laboratorio-1 (Castellano - Mañana)Mostrar/ocultar subpáginas

Calendario
SemanasLunesMartesMiércolesJuevesViernes
16-30

11:00-12:00

Profesorado

Aula(s) impartición

  • AULA 215 - AULARIO LAS NIEVES