TÉCNICAS DE SOFT COMPUTING PARA APRENDIZAJE Y OPTIMIZACIÓN. REDES NEURONALES Y METAHEURÍSTICAS, PROGRAMACIÓN EVOLUTIVA Y BIOINSPIRADA.

Transcripción

1 GUIA DOCENTE DE LA ASIGNATURA TÉCNICAS DE SOFT COMPUTING PARA APRENDIZAJE Y OPTIMIZACIÓN. REDES NEURONALES Y METAHEURÍSTICAS, PROGRAMACIÓN EVOLUTIVA Y BIOINSPIRADA. MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Tecnologías inteligentes e inteligencia computacional Técnicas de Soft Computing para Aprendizaje y optimización. Redes Neuronales y Metaheurística s, programación evolutiva y bioinspirada. Técnicas de Soft Computing para Aprendizaje y optimización. Redes Neuronales y Metaheurísticas, programación evolutiva y bioinspirada. 1º 1º 3 OPTATIVO PROFESOR(ES) DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS (Dirección postal, teléfono, correo electrónico, etc.) Profesor responsable: Lozano Márquez, Manuel Listado de profesores: Lozano Márquez, Manuel; Pelta, David Alejandro; Pegalajar Jiménez, María del Carmen MÁSTER EN EL QUE SE IMPARTE ETSI Informática y de Telecomunicación. Universidad de Granada C/ Periodista Daniel Saucedo, s/n E GRANADA SPAIN HORARIO DE TUTORÍAS Consultar en OTROS MÁSTERES A LOS QUE SE PODRÍA OFERTAR Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores PRERREQUISITOS Y/O RECOMENDACIONES (si procede) Sin requisitos previos. BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL MÁSTER) 1.- Introducción a las redes neuronales 1.1 Aprendizaje a partir de datos 1.2 Modelos de redes neuronales Página 1

2 1.3 Modelos de aprendizaje 1.4 Identificación y optimización de modelos dirigidos por el problema 1.5 Optimización con redes neuronales 1.6 Ejemplos de aplicaciones de interés social, económico y de investigación. 2. Metaheurísticas, algoritmos evolutivos y bioinspirados 2.1. Problemas de Optimización. Problemas NP duros y problemas dinámicos Metaheurísticas: Modelos y clasificación Metaheurísticas constructivas y basadas en búsqueda local Algoritmos evolutivos Algoritmos de optimización basados en inteligencia colectiva Aplicación de metaheurísticas y algoritmos evolutivos a problemas de optimización dinámicos. COMPETENCIAS GENERALES Y ESPECÍFICAS Competencias Generales: CG2. Capacidad de análisis y síntesis CG5. Capacidad para tomar decisiones de forma autónoma Competencias Específicas: EB2. Capacidad para modelar y resolver problemas reales o académicos mediante tecnologías inteligentes o de inteligencia computacional. OBJETIVOS (EXPRESADOS COMO RESULTADOS ESPERABLES DE LA ENSEÑANZA) 1. Saber abordar un problema real de aprendizaje a partir de datos y abordarlo con una red neuronal de forma efectiva: 1.1 Saber distinguir cuando un problema puede ser abordado con esta técnica (conocer los modelos de redes, los problemas para los que son indicados cada uno, y los requisitos para tener opciones de éxito dentro de cada modelo) 1.2 Aprender a utilizar un software de desarrollo rápido y potente 1.3 Saber preparar los datos y solventar los principales problemas que se pueden encontrar con los datos disponibles (datos incompletos, pocos datos, datos no homogéneos, etc...) 1.4 Saber realizar una selección de características adecuada (PCA,etc ) 1.5 Saber aplicar una metodología para obtener un resultado efectivo (metodología adecuada para de selección del modelo de red, de topología de la red y de elección de algoritmos y parámetros de aprendizaje) 2. El alumno comprenderá la conveniencia de aplicar metaheurísticas, algoritmos evolutivos y bioinspirados para obtener soluciones aproximadas a problemas de optimización realmente desafiantes que están apareciendo, en la actualidad, a partir del avance tecnológico de muchas actividades humanas. En esta línea, será capaz de: 2.1 Evaluar la complejidad computacional de un problema de optimización, 2.2 Conocer distintos tipos de estrategias algorítmicas para encontrar soluciones con alta calidad para estos problemas y 2.3 Recomendar, desarrollar e implementar aquélla que garantice el mejor rendimiento de acuerdo a determinados requisitos establecidos. Página 2

3 TEMARIO DETALLADO DE LA ASIGNATURA 1.- Introducción a las redes neuronales 1.1 Aprendizaje a partir de datos 1.2 Modelos de redes neuronales 1.3 Modelos de aprendizaje 1.4 Identificación y optimización de modelos dirigidos por el problema 1.5 Optimización con redes neuronales 1.6 Ejemplos de aplicaciones de interés social, económico y de investigación. 2. Metaheurísticas, algoritmos evolutivos y bioinspirados 2.1. Problemas de Optimización. Problemas NP duros y problemas dinámicos Metaheurísticas: Modelos y clasificación Metaheurísticas constructivas y basadas en búsqueda local Algoritmos evolutivos Algoritmos de optimización basados en inteligencia colectiva Aplicación de metaheurísticas y algoritmos evolutivos a problemas de optimización dinámicos. BIBLIOGRAFÍA ENLACES RECOMENDADOS Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: METODOLOGÍA DOCENTE MD1. Lección magistral/expositiva. Página 3

4 MD2. Resolución de problemas y estudio de casos prácticos. MD3. Prácticas de laboratorio. MD4. Seminarios. MD5. Análisis de fuentes y documentos. MD6. Realización de trabajos en grupo. MD7. Realización de trabajos individuales. EVALUACIÓN (INSTRUMENTOS DE EVALUACIÓN, CRITERIOS DE EVALUACIÓN Y PORCENTAJE SOBRE LA CALIFICACIÓN FINAL, ETC.) Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional. Convocatoria ordinaria: La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que se compone de los siguientes elementos: Evaluación de la Parte Teórica: exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas. Evaluación de la Parte Práctica: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación. Evaluación de los Seminarios y otras actividades: se tendrá en cuenta la asistencia, los problemas propuestos que hayan sido resueltos y entregados por los alumnos, en su caso, las entrevistas efectuadas durante el curso y la presentación oral de los trabajos desarrollados. En el caso de la asignatura, se facilitara el seguimiento del curso a personas que no puedan acudir a las clases presenciales. No hay ninguna actividad del curso que requiera la presencia obligatoria del alumno. Los alumnos que hayan asistido con aprovechamiento y participado activamente en todas las actividades docentes presenciales tendrań como mi nimo un aprobado en el curso. Para los alumnos que no hayan asistido a alguna sesioń del curso sera necesario, para poder aprobar, consultar en detalle el material del curso y realizar un trabajo adicional que se evaluara mediante la entrega de un resumen sobre los contenidos explicados en esa sesioń. Cada trabajo tendra las siguientes partes: Introduccioń (resumen) a las te cnicas explicadas en esa sesioń. Para ello, se utilizarań las transparencias de la sesio n y artićulos de revisioń publicados sobre los to picos tratados en las sesiones. Ana lisis de un artićulo con una propuesta especi fica explicada en la sesio n: Analizando las fortalezas y debilidades del modelo. Página 4

5 Para obtener una nota superior al aprobado es necesario realizar un trabajo adicional. Este trabajo sera acordado entre el alumno y alguno de los profesores de la asignatura. Se preve n dos tipos de trabajo: Revisio n de uno o maś arti culos cienti ficos. Implementacioń y aplicacio n de alguno de los me todos estudiados sobre un problema a acordar. Si el alumno desea proponer otro tipo de trabajo, la propuesta debe ser aceptada por todos los profesores de la asignatura, aunque soĺo uno de ellos sera el responsable de su evaluacio n. Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada ( Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua. La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente. Convocatoria extraordinaria: En las convocatorias extraordinarias se utilizará la evaluación única final, tal y como se ha descrito más arriba. RÉGIMEN DE ASISTENCIA La asistencia a las clases presenciales no será obligatoria, aunque la participación en las actividades planteadas podrá ser tenida en cuenta en el sistema de evaluación continua. INFORMACIÓN ADICIONAL Página 5