La asignatura Técnicas de Inteligencia Artificial se enmarca dentro de las asignaturas optativas y el acceso a la misma no presenta la necesidad de ningún prerrequisito obligatorio. Sin embargo, para un desarrollo óptimo y su total aprovechamiento es recomendable 1) una base matemática sólida adquirida en las asignaturas de Álgebra, Cálculo I, Cálculo II y Estadística; y 2) un nivel de programación como el obtenido en la asignatura Fundamentos de Programación.



La inteligencia artificial (IA) trata de dotar a las máquinas de un comportamiento inteligente de manera que éstas sean capaces de percibir, razonar y actuar. Ejemplos cotidianos en los que la IA está presente son el reconocimiento de huella dactilar para el desbloqueo del teléfono móvil, reconocimiento facial en el control de pasaportes del aeropuerto, asistentes virtuales de voz como Siri de Apple, reconocimiento automático de la matrícula del coche en los peajes, etc.



El objetivo de esta asignatura es el de introducir al alumnado en el uso de la inteligencia artificial a través de técnicas de aprendizaje automático de máquina (machine learning) de manera que los estudiantes que cursen esta asignatura obtengan una visión general de las áreas de aplicación de la IA y sean capaces de dar solución a problemas del ámbito de la Ingeniería de Telecomunicación haciendo uso de las técnicas aprendidas.

Competencias Generales (CG)

CG1 - Conocimiento de materias básicas y tecnologías, que capacite al estudiante para el aprendizaje de nuevos métodos y tecnologías, así como que le dote de una gran versatilidad para adaptarse a nuevas situaciones.

CG2 - Transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

CG3 - Capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.



Competencias Transversales (CT)

CT1 - Capacidad de resolver problemas con iniciativa, toma de decisiones, creatividad, y de comunicar y transmitir conocimientos, habilidades y destrezas, comprendiendo la responsabilidad ética y profesional de la actividad del Ingeniero Técnico de Telecomunicación.

CT2 - Capacidad de trabajar en un grupo multidisciplinar y en un entorno multilingüe y de comunicar, tanto por escrito como de forma oral, conocimientos, procedimientos, resultados e ideas relacionadas con las telecomunicaciones y la electrónica.



Competencias Específicas (CE)

CE1 - Conocimiento y comprensión de las principales técnicas de inteligencia artificial para su aplicación práctica en la resolución de problemas en el ámbito de la Ingeniería de Telecomunicación.

Tema 1. Inteligencia artificial

1.1. Introducción al aprendizaje automático

1.2. Aprendizaje supervisado vs aprendizaje no supervisado

1.3. Problemas de regresión vs problemas de clasificación

1.4. Evaluación de la precisión de un modelo

1.5. Compromiso sesgo-varianza

Tema 2. Regresión

2.1. Regresión lineal

2.2. Regresión lineal múltiple

Tema 3. Métodos básicos de clasificación

3.1. Regresión logística

3.2. Análisis discriminante lineal

Tema 4. Métodos de remuestreo

4.1. Validación cruzada

4.2. Bootstrap

Tema 5. Selección del modelo lineal y regularización

5.1. Selección de parámetros

5.2. Lasso

5.3. Métodos de reducción de la dimensionalidad

Tema 6. Métodos avanzados de clasificación

6.1. Árboles de decisión

6.2. Máquinas de vectores soporte

6.3. Redes neuronales

Tema 7. Aprendizaje no supervisado

7.1. Análisis de los componentes principales

7.2. Métodos de clústering

La asignatura se dividirá en clases magistrales (M) y prácticas de ordenador (GO)

asignándole a cada una de estas modalidades docentes las horas indicadas en la

tabla 'TIPOS DE DOCENCIA'.



Las clases magistrales se utilizan para exponer de forma sistemática, ordenada y lo más completa posible, los temas establecidos en el programa de la asignatura, así como para la resolución de las dudas que planteen los alumnos, lo que permite estimular mediante el diálogo su interés, e incrementar su nivel de aprendizaje. Además, se lleva a cabo el desarrollo práctico de problemas, de forma individual o en grupos reducidos, y se fomenta el uso de metodologías activas que logra una formación más completa, reforzando y consolidando contenidos.



Las prácticas de ordenador sirven para poner en práctica los conceptos teóricos aprendidos en las clases magistrales. En estas sesiones se resuelven problemas de ingeniería reales tanto de regresión como de clasificación haciendo uso del software Matlab.

• Sistema de Evaluación Continua
• Sistema de Evaluación Final
• Herramientas y porcentajes de calificación:
  • Defensa oral (%): 40
  • Realización de prácticas (ejercicios, casos o problemas) (%): 30
  • Trabajos en equipo (resolución de problemas, diseño de proyectos) (%): 30

El alumnado puede optar tanto por una evaluación continua como por una final.



Evaluación continua.



1. Se aplicará la suma ponderada de las calificaciones obtenidas en las diferentes tareas evaluables realizadas por el estudiante según el siguiente criterio:

- Realización de prácticas (resolución de problemas, casos o problemas): 30%

- Defensa oral (discusión de conceptos y problemas): 40%

- Tareas en equipo (resolución de problemas, diseño de proyectos): 30%



2. La persona que desee renunciar a la evaluación continua para realizar la evaluación final, deberá indicarlo por escrito antes del final de la undécima semana del cuatrimestre mediante el impreso que estará disponible en la plataforma docente desde el comienzo del curso.



4. Si un alumno no participa en alguna de las diferentes tareas evaluables obtendrá la calificación de NO PRESENTADO.





Evaluación final.



1. El alumnado tendrá derecho a ser evaluado mediante el sistema de evaluación final según las condiciones fijadas en la Normativa reguladora de la evaluación del alumnado en las titulaciones oficiales de grado (Capítulo II. Artículo 8.3). Para ello será necesario haber entregado antes del final de la undécima semana el impreso de renuncia a la evaluación continua que estará disponible en la plataforma docente desde el comienzo del curso.



2. La evaluación se llevará a cabo mediante tareas evaluables que garanticen la suficiencia competencial de la asignatura de acuerdo al siguiente baremo:

- Realización de prácticas (resolución de problemas, casos o problemas): 30%

- Defensa oral (discusión de conceptos y problemas): 70%



3. Si un alumno no participa en alguna de las tareas evaluables obtendrá la calificación de NO PRESENTADO.

Se aplicará exclusivamente el sistema de evaluación final según se indica en la Normativa reguladora de la evaluación del alumnado en las titulaciones oficiales de grado (Capítulo II. Artículo 9.2). La evaluación se llevará a cabo mediante tareas evaluables que garanticen la suficiencia competencial de la asignatura de acuerdo al siguiente baremo:

- Realización de prácticas (resolución de problemas, casos o problemas): 30%

- Defensa oral (discusión de conceptos y problemas): 70%



2. Si un alumno no participa en alguna de las tareas evaluables obtendrá la calificación de NO PRESENTADO.

No se obliga al uso de ningún material concreto.

Para el estudio y la preparación de las clases el alumno dispone, en la Plataforma Docente de la UPV/EHU, de diverso material didáctico suministrado por los profesores de la asignatura.

Por otra parte, en la bibliografía se reseñan diferentes fuentes útiles para la obtención de información adicional.

Bibliografía básica

1) Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. (2013). An introduction to statistical learning with applications in R. New York. Springer.



2) Ethem Alpaydin. (2009). Introduction to Machine Learning. MIT Press.



3) Sergios Theodoridis. (2015). Machine Learning. A Bayesian and Optimization Perspective. Elsevier.



4) Yaser S Abu-Mostafa, Makik Magdon-Ismail, Hsuan-Tien Lin. (2012). Learning from data. A short Course. AML book.

Bibliografía de profundización

1) Trevor Hastie, Robert Tibshirani, Jerome Friedman. (2008). The elements of statistical learning. New York. Springer.

2) Kevin P. Murphy. (2012). Machine learning. A probabilistic perspective. MIT Press.

3) Christopher M. Bishop. (2006). Pattern Recognition and Machine Learning. Springer.

4) Richard O. Duda, Peter E. Hart, David G. Stork. (2003). Pattern Classification. Ed. Wiley-Interscience.

Direcciones web

1) https://www.mathworks.com/solutions/machine-learning/resources.html
2) https://www.bigml.com
3) http://www.cs.waikato.ac.nz/ml/weka