INTELIGENCIA ARTIFICIAL EN INVESTIGACIÓN OPERATIVA

Transcripción

1 GUIA DOCENTE DE LA ASIGNATURA INTELIGENCIA ARTIFICIAL EN INVESTIGACIÓN OPERATIVA MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO INVESTIGACIÓN OPERATIVA INVESTIGACIÓN OPERATIVA 3º 1º 6 Obligatria PROFESOR(ES) DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS (Dirección pstal, teléfn, crre electrónic, etc.) Mª Jesús García-Liger Ramírez Departament de Estadística e Investigación Operativa Facultad de Ciencias Universidad de Granada Fernand Berzal Galian Departament de Ciencias de la Cmputación e I.A. E.T.S.I.I.T. Universidad de Granada Javier Abad Ortega Departament de Ciencias de la Cmputación e I.A. E.T.S.I.I.T. Universidad de Granada GRADO EN EL QUE SE IMPARTE Departament de Ciencias de la Cmputación e I.A. E.T.S.I.I.T. - Universidad de Granada C/Daniel Sauced Aranda s/n GRANADA Teléfn: ; Fax: HORARIO DE TUTORÍAS Mª Jesús García-Liger Ramírez (EIO, Facultad de Ciencias) Fernand Berzal Galian (D17, CCIA, ETSIIT) Javier Abad Ortega (D20, CCIA, ETSIIT) OTROS GRADOS A LOS QUE SE PODRÍA OFERTAR Grad en Estadística PRERREQUISITOS Y/O RECOMENDACIONES (si prcede) BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL GRADO) Tería de grafs. Técnicas de búsqueda. Planificación. Algritms biinspirads para ptimización. Simulación. Simulación de sistemas. Página 1

2 COMPETENCIAS GENERALES Y ESPECÍFICAS Cmpetencias generales G01. Pseer ls cncimients básics de ls distints móduls que, partiend de la base de la educación secundaria general, y apyándse en librs de text avanzads, se desarrllan en la prpuesta de títul de Grad en Estadística que se presenta. G02. Saber aplicar ls cncimients básics de cada módul a su trabaj vcación de una frma prfesinal y pseer las cmpetencias que suelen demstrarse pr medi de la elabración y defensa de arguments y la reslución de prblemas dentr de la Estadística y ámbits en que esta se aplica directamente. G03. Saber reunir e interpretar dats relevantes para emitir juicis que incluyan una reflexión sbre temas relevantes de índle scial, científica ética. G04. Pder transmitir infrmación, ideas, prblemas y sus slucines, de frma escrita u ral, a un públic tant especializad cm n especializad. G05. Haber desarrllad aquellas habilidades de aprendizaje necesarias para emprender estudis psterires cn un alt grad de autnmía. G06. Saber utilizar herramientas de búsqueda de recurss bibligráfics. G08. Pseer habilidades y aptitudes que favrezcan el espíritu emprendedr en el ámbit de aplicación y desarrll de su frmación académica. Cmpetencias específicas E03. Cncer ls fundaments teórics y saber aplicar mdels y técnicas estadísticas en estudis y prblemas reales en diverss ámbits científics y sciales. E04. Saber seleccinar ls mdels técnicas estadísticas para su aplicación en estudis y prblemas reales en diverss ámbits científics y sciales, así cm cncer herramientas de validación de ls misms. E05. Cmprender la imprtancia de la Investigación Operativa cm metdlgía de ptimización, tma de decisines y diseñ de mdels particulares para la reslución de prblemas en situacines específicas. E07. Cncer ls cncepts y herramientas matemáticas necesarias para el estudi de ls aspects teórics y práctics de la Prbabilidad, la Estadística y la Investigación Operativa. E08. Cncer y saber utilizar aplicacines infrmáticas de análisis estadístic, cálcul numéric y simbólic, bases de dats, visualización gráfica y ptimización, que sean útiles para la aplicación y desarrll de las técnicas estadísticas. E09. Cncer ls cncepts básics y habilidades prpias de un ámbit científic scial en el que la Estadística la Investigación perativa sean una herramienta fundamental. E10. Tmar cnciencia de la necesidad de asumir las nrmas de ética prfesinal y las relativas a la prtección de dats y del secret estadístic, cm premisas que deben guiar la actividad prfesinal cm prfesinales de la Estadística. OBJETIVOS (EXPRESADOS COMO RESULTADOS ESPERABLES DE LA ENSEÑANZA) En relación cn la breve lista de la Memria de Grad: Utilizar técnicas básicas de ptimización y manejar diferentes algritms para la reslución de prblemas de ptimización. Cncer las técnicas de simulación de mdels y analizar prblemas reales utilizand técnicas de simulación. Manejar prgramas de rdenadr para la reslución de prblemas de ptimización y aplicación en cass práctics. Se pueden precisar alg más de la siguiente manera (en relación cn ls anterires): Haber adquirid capacidad para frmular y reslver prblemas mediante mdels de Grafs. Página 2

3 Saber utilizar las técnicas de Inteligencia Artificial para la planificación y secuenciación de tareas. Saber cóm utilizar técnicas básicas de la Inteligencia Artificial para prblemas de ptimización y manejar diferentes algritms para la reslución de dichs prblemas. Cncer ls fundaments y saber emplear ls Algritms Biinspirads para ptimización. Cncer las técnicas de Simulación de Mdels y analizar prblemas reales utilizand dichas técnicas. Manejar prgramas de rdenadr para la reslución de diverss prblemas de Investigación Operativa cn técnicas de la Inteligencia Artificial y su aplicación en cass práctics. TEMARIO DETALLADO DE LA ASIGNATURA TEMARIO TEÓRICO Parte I. Simulación e Intrducción a Tería de Grafs Tema 1. Intrducción a la Simulación - Definición de sistema real, mdel y simulación. - Ventajas e incnvenientes de la simulación. - Aplicacines de la Simulación. - Ejempls de simulación Tema 2. Númers aleatris. Generación de númers pseudaleatris - Definición de númers aleatris y pseudaleatris. Prpiedades deseables de un generadr de númers pseudaleatris. - Métds de generación de númers pseudaleatris: Métd de ls cuadrads medis, métds cngruenciales. - Medidas estadísticas de calidad de un generadr de númers pseudaleatris unifrmes: Cntraste chi-cuadrad. Cntraste de Klmgrv-Smirnv. Cntaste de rachas ascendentes. Tema 3. Generación de valres de variables aleatrias - Métds para generar valres de variables aleatrias discretas: Transfrmación cuantil. Métd de aceptación y rechaz. Métd de cmpsición. - Generación de distribucines discretas: Unifrme, Bernulli, Binmial, Pissn, Binmial negativa e Hipergemétrica. - Métds para generar valres de variables aleatrias cntinuas: Métd de transfrmación inversa. Métd de aceptación y rechaz. - Generación de distribucines cntinuas: nrmal, chi-cuadrad de Pearsn, t de Student, F de Snedecr, expnencial, Weibull, gamma, beta, Paret. - Simulación de vectres aleatris: Métd de las distribucines cndicinadas. Métd de aceptación/rechaz. Métds específics para simular la nrmal multivariante. Tema 4. Simulación de Mnte Carl - Integración Mnte Carl. - Técnicas de reducción de la varianza. - Métds Mnte Carl en inferencia. Página 3

4 Tema 5. Simulación de sistemas - Fenómens de espera. - Fiabilidad. - Inventaris. Tema 6. Intrducción a la Tería de grafs - Cncepts básics. - Grafs rientads y n rientads. - Representacines matriciales: Matrices de adyacencia y de incidencia. - Árbles: Definición. Caracterización y prpiedades. - Búsqueda de camins óptims: Algritm de búsqueda de camins hamiltnians. Algritms de la ruta más crta: Algritm de Dijkstra. Algritm de Flyd. Parte II. Métds y técnicas de la Inteligencia Artificial Tema 7. Qué es la Inteligencia Artificial? - Caracterización de la Inteligencia Artificial. Un pc de Histria - Metas de la Inteligencia Artificial - Métds y mdels en Inteligencia artificial Tema 8: Técnicas de Búsqueda - Búsqueda sin infrmación - Técnicas de búsqueda lcal - Técnicas de búsqueda heurística Tema 9: Planificación - Raznamient sbre accines - Planificación cm búsqueda en un espaci de estads - Planificación cm búsqueda en un espaci de planes Tema 10: Secuenciación - El prblema de la secuenciación - Técnicas basadas en heurísticas - Técnicas basadas en metaheurísticas Tema 11 Algritms biinspirads para ptimización - Cncept y rigen de ls algritms biinspirads - Fundaments de ls algritms genétics - Tips de algritm genétic - Algritms híbrids - Algritms basads en el cmprtamient de las hrmigas - Inteligencia de enjambres Página 4

5 TEMARIO PRÁCTICO Seminaris/Talleres (presentación de temas para la reflexión y debate en grup) Parte I. Simulación e Intrducción a Tería de Grafs Seminari 1: Histria de la Investigación Operativa. Seminari 2: Presentación y lectura de artículs de interés y de aplicacines Parte II. Métds y técnicas de la Inteligencia Artificial Seminari 3: Tutrial de Matlab. Seminari 4: I.A. e Investigación Operativa en la Gestión de Operacines: Histria y Tendencias. Seminari 5: La Inteligencia Artificial en Ecnmía, Empresa e Industria. Prácticas de Labratri Parte I. Simulación e Intrducción a Tería de Grafs Práctica 1: Intrducción a la prgramación cn R. Práctica 2: Númers aleatris, simulación de variables y vectres aleatris cn R. Práctica 3: Simulación de sistemas cn R Parte II. Métds y técnicas de la Inteligencia Artificial Práctica 4: Técnicas de Búsqueda. Práctica 5: Planificación. Práctica 6: Secuenciación. Práctica 7: Algritms biinspirads para ptimización. BIBLIOGRAFÍA BIBLIOGRAFÍA FUNDAMENTAL Simulación e Intrducción a Tería de Grafs - Braun, W. J. & Murdch, D. J., A first curse in statistical prgramming with R. Cambridge, Ca Abad, R., Intrducción a la Simulación y a la Tería de Clas. Netbibl, Gentle, J.E., Randm Number Generatin and Mnte Carl methds. Springer, Martín Martín, Q., Investigación Operativa. Prentice Hall, Rís Insua, D., Rís Insua, S. Martín Jiménez, J., Simulación. Métds y aplicacines. Ra-ma, Rís Insua, S., Mates, A., Bielza, M. C. y Jiménez, A. Investigación Operativa. Mdels determínistics y estcástics. Centr de Estudis Ramón Areces, Ripley, B.D., Stchastic Simulatin. Jhn Wiley, Rizz, M.L., Statistical Cmputing with R. Chapman and Hall/CRC, Taha, H. A., Investigación de Operacines. Prentice Hall, Métds y técnicas de la Inteligencia Artificial - Stuart J. Russell & Peter Nrvig: Artificial Intelligence, A Mdern Apprach, 3 rd editin, Prentice Hall, Nils J. Nilssn: The Quest fr Artificial Intelligence, Cambridge University Press, Michael Pined: Scheduling: thery, algrithms, and systems, 4 th editin, Springer, Melanie Mitchell: An intrductin t genetic algrithms, MIT Press, Marc Drig & Thmas Stützle: Ant Clny Optimizatin, MIT Press, Página 5

6 BIBLIOGRAFÍA COMPLEMENTARIA Simulación e Intrducción a Tería de Grafs - Rss, S.M., A Curse in Simulatin. Macmillan, Rubinstein, R.Y. and Melamed, B., Mdern Simulatin and Mdeling. Wiley, Winstn, W. L., Investigación de Operacines. Aplicacines y algritms. Grup Editrial Americana, Métds y técnicas de la Inteligencia Artificial - David L. Ple & Alan K. Mackwrth: Artificial Intelligence: Fundatins f Cmputatinal Agents, Cambridge University Press, Nils J. Nilssn: Artificial Intelligence: A New Synthesis, Mrgan Kaufmann, Russell C. Eberhart & Yuhui Sui: Cmputatinal Intelligence: Cncepts t Implementatin, Mrgan Kaufmann, M. Tim Jnes: Artificial Intelligence: A Systems Apprach, Jnes & Bartlett Publishers, Gerge F. Luger: Artificial Intelligence: Structures and strategies fr cmplex prblem slving, 6 th editin, Addisn Wesley, K.A.H. Kbbacy et al.: AI and OR in Management f peratins: histry and trends, Jurnal f the Operatinal Reseach Sciety, 58:10-28 (2007) - K.A.H. Kbbacy & Sunil Vadera: A survey f AI in peratins management frm 2005 t 2009, Jurnal f Manufacturing Technlgy Management 22(6): (2011) ENLACES RECOMENDADOS AAAI, Assciatin fr the Advancement f Artificial Intelligence, IEEE, Institute f Electrical and Electrnics Engineers, ACM, Assciatin fr Cmputing Machinery, METODOLOGÍA DOCENTE Clases de tería: Sesines para td el grup de alumns en las que se explicarán, pr parte del prfesr, ls cntenids teórics fundamentales y su imprtancia en el cntext de la materia, y que servirán para fijar ls cncimients ligads a las cmpetencias previstas. Cmpetencias generales: G01, G03, G05. Cmpetencias específicas: E03, E04, E05, E07, E08, E09, E10. Clases de prblemas y prácticas en rdenadr: Sesines para td el grup de alumns en las que el prfesr realizará ejercicis y prblemas sbre ls cntenids teórics de cada tema y guiará a ls alumns en la reslución de trs similares. También, dependiend de las materias, y mediante la utilización de prgramas de rdenadr adecuads, el prfesr realizará prácticas en rdenadr para temas específics y guiará a ls alumns en el planteamient y realización de nuevas prácticas. Así, tant en las clases de prblemas cm en las clases de prácticas en rdenadr, se aplicarán ls cntenids adquirids en las teóricas, de md que ls estudiantes vayan bteniend las cmpetencias previstas. Para las clases de prácticas en rdenadr se harán subgrups de tamañ acrde cn las psibilidades de las aulas de infrmática. Cmpetencias generales: G01, G02. Cmpetencias específicas: E04, E07, E08, E09, E10. Seminaris y expsición de trabajs: Cm cmplement de las clases teóricas y prácticas, ls prfesres prpndrán a ls estudiantes la realización de trabajs individuales en grups reducids, para l que pdrán cntar cn el apy del prfesr en tutrías. En ls seminaris, rganizads para td el grup de alumns, se Página 6

7 realizarán debates sbre la materia, se discutirán aspects específics del temari, y ls alumns desarrllarán ejercicis y trabajs, y pdrán cmpartir cn sus cmpañers y cn el prfesr las dudas que encuentren y btener slución a las mismas. Cmpetencias generales: G01, G02, G03, G04, G05, G06, G08. Cmpetencias específicas: E04, E07, E08, E09, E10. Tutrías: Ofrecerán apy y asesramient, persnalizad en grups frmads pr un pequeñ númer de alumns, para abrdar las tareas encmendadas en las actividades frmativas indicadas previamente específicas del trabaj persnal. El prfesr jugará un papel practiv, rientand hacia un aprendizaje cperativ, a l larg de td el curs. Cmpetencias generales: G01, G03, G04, G05. Cmpetencias específicas: E03, E04, E05, E07, E08, E09, E10. Trabaj persnal del alumn: Actividades n presenciales individuales (Estudi y trabaj autónm). Ls estudiantes habrán de llevar a cab una tarea persnal de estudi y asimilación de la tería y de preparación y reslución de trabajs y prblemas prpuests, para alcanzar las cmpetencias previstas. Actividades n presenciales grupales. Además, ls estudiantes habrán de llevar a cab la realización de trabajs en grup, para l que pdrán cntar cn el apy del prfesr en Tutrías académicas, de frma que ls estudiantes puedan cmpartir cn sus cmpañers y cn el prfesr las dudas que encuentren, btener slución a las mismas y cmenzar a alcanzar pr sí misms las cmpetencias de la materia. Cmpetencias generales: G01, G02, G03, G04, G05, G06, G08. Cmpetencias específicas: E03, E04, E07, E08, E09, E10. PROGRAMA DE ACTIVIDADES Actividades presenciales Actividades n presenciales Semestre Sesines teóricas (hras) Sesines prácticas (hras) Expsicines y seminaris (hras) Tutrías clectivas (hras) Exámenes (hras) Tutrías individuales (hras) Estudi y trabaj individual del alumn (hras) Trabaj en grup (hras) Semana 1 2h (T1) 2h (S1) 4 Semana 2 2h (T2) 1h (P1) 1h 4 Semana 3 2h (T3) 2h (P2) 4 Semana 4 2h (T4) 1h (P2) 1h 4 Semana 5 2h (T5) 2h (P3) 4 Semana 6 2h (T6) 1h (P3) 1h 4 Semana 7 2h (T6) 2h (S2) 4 Semana 8 2h (T7) 2h (S3) 4 Semana 9 2h (T8) 2h (P4) 4 Página 7

8 Semana 10 2h (T9) 2h (P5) 4 Semana 11 2h (T9) 1h 4 Semana 12 2h (T10) 2h (P6) 4 Semana 13 2h (T11) 2h (P7) 4 Semana 14 2h (T11) 2h (S4) 4 Semana 15 2h (S5) 1h 4 Rest 2h 30 Ttal hras 28h 15h 10h 5h 2h 90 EVALUACIÓN (INSTRUMENTOS DE EVALUACIÓN, CRITERIOS DE EVALUACIÓN Y PORCENTAJE SOBRE LA CALIFICACIÓN FINAL, ETC.) Td l relativ a la evaluación se regirá pr la nrmativa de planificación dcente y rganización de exámenes de la Universidad de Granada, de 30 de juni de El sistema de calificación emplead será el establecid en el artícul 5 del Real Decret 1125/2003, de 5 de septiembre, pr el que se establece el sistema eurpe de crédits y el sistema de calificacines en las titulacines universitarias de carácter ficial y validez en td el territri nacinal. Ls criteris de evaluación se indicarán en ls Prgramas y Guías Didácticas crrespndientes a cada asignatura, garantizand así la transparencia y bjetividad de ls misms. De acuerd cn el Real Decret 1125/2003, la valración del nivel de adquisición de las cmpetencias generales y específicas de cada materia se llevará a cab de manera cntinua a l larg de td el perid académic. La evaluación se realizará a partir de la medición de las diversas actividades que realizan ls alumns. La superación de cualquiera de las pruebas n se lgrará sin un cncimient unifrme y equilibrad de tda la materia. Se tendrán en cuenta ls siguientes prcedimients, aspects y criteris, asignand a cada un de ells un prcentaje que se mantenga en el rang indicad y de tal manera que la suma de ls tres cnstituya el ttal (100%) de la calificación: Pruebas específicas de cncimients y reslución de ejercicis, dnde se valrarán tant la asimilación cm la expresión de ls cncimients adquirids pr el alumn, especialmente, su capacidad para la aplicación de ls misms a situacines prácticas cncretas y se realizará una bservación sistemática del prces de aprendizaje. 50% de la calificación. Trabajs y seminaris. Abarca tds ls trabajs y seminaris realizads pr ls estudiantes a l larg del curs (ejercicis, prácticas en rdenadr, resúmenes, cuaderns de trabaj, presentacines, entrevistas, cuestinaris, etc.), tant de carácter individual cm en grup. Se valrará además de ls prpis trabajs, la presentación y defensa de ls misms, y ls debates suscitads en ls seminaris, para btener infrmación sbre aspects actitudinales, de integración y actuación scial. 40% de la calificación. Participación, actitud y esfuerz persnal de ls alumns en tdas las actividades frmativas prgramadas, así cm una autevaluación raznada. 10% de la calificación. Ests prcedimients, criteris y aspects de evaluación, en ls que ls estudiantes tendrán que demstrar que han adquirid las cmpetencias previstas, se aplicarán unifrmemente a ls móduls y materias que integran el Plan de Estudis, salv especificacines que se hagan en determinads móduls materias. Página 8

9 INFORMACIÓN ADICIONAL Página web de la asignatura: Platafrma de gestión de la asignatura: Grad en Estadística de la Universidad de Granada: Infrmación sbre la Facultad de Ciencias: Infrmación sbre la Universidad: Página 9