GUÍA DOCENTE: Técnicas de análisis estadístico basado en inteligencia artificial 1. Técnicas de análisis estadístico basado en inteligencia artificial 1.1. Datos de la asignatura Tipo de estudios Máster Titulación Métodos en Investigación en Ciencias Económicas y Empresariales Nombre de la asignatura Técnicas de análisis estadístico basado en inteligencia artificial Carácter de la asignatura Optativa Curso 1º Idioma de impartición Español Coordinador/a de la asignatura Francisco José Martínez Estudillo Semestre Primer Semestre Número de créditos ECTS 4 1.2. Datos del equipo de profesores Facultad de Ciencias Económicas y Empresariales. Página web: http://www.etea.com/web/_fmartinez Departamento de Gestión Empresarial y Métodos Cuantitativos. Apellidos, Nombre Grupo/s al que imparte clase Despacho Correo electrónico Hervás Martínez, César A B C D H (Inglés) Nº Edificio I Planta 3ª chervas@uco.es Martínez Francisco José Estudillo, A B C D H (Inglés) Nº Edificio I Planta Baja fjmestud@etea.com 1
1.3. Requisitos previos Para cursar esta asignatura se requieren conocimientos básicos de álgebra lineal y de cálculo diferencial en una y varias variables, así como conocimientos básicos de estadística. 1.4. Asistencia a clase La asistencia a clase es un elemento esencial dentro del proceso de aprendizaje de la asignatura, junto con la participación activa del alumno y el trabajo continuo. La configuración de la asignatura necesita la asistencia y la participación en clase para que se puedan alcanzar los objetivos y competencias de la asignatura. De especial importancia es la asistencia a los seminarios que se desarrollarán durante el curso para el manejo de la plataforma WEKA. Los alumnos que por concurrir causas objetivas (p. ej. enfermedad, trabajo y otras equiparables) no puedan asistir a clase, lo deberán de comunicar al profesor al comienzo del curso, justificando las circunstancias objetivas indicadas. 1.5. Objetivos del curso La materia es una introducción a las principales técnicas estadísticas basadas en inteligencia computacional utilizadas en la actualidad para el análisis de datos en el ámbito de las Ciencias Sociales. La Computación Inteligente es una disciplina relativamente moderna que trata de modelizar procesos y sistemas complejos imitando a la inteligencia humana y representando el conocimiento disponible del experto humano, utilizando mecanismos de razonamiento simbólico para resolver problemas dentro de un dominio específico. El curso se centrará especialmente en la Computación Inteligente y en los algoritmos bioinspirados. Esta disciplina tiene en la actualidad numerosas aplicaciones por su capacidad para abordar problemas difícilmente resolubles mediante metodologías clásicas y por incorporar el conocimiento experto en modelos y técnicas convencionales. Entre las técnicas de inteligencia artificial, la asignatura hará especial hincapié en las redes neuronales artificiales y en los algoritmos evolutivos. Por último, los estudiantes de la asignatura aprenderán el manejo de la plataforma WEKA que contiene el software de referencia en métodos de clasificación en Computación Inteligente. 2
1.6. Contenidos del programa Tema 1: Introducción al aprendizaje. 1.1 El aprendizaje supervisado. La clasificación y la regresión. Conceptos básicos: función de error, matriz de confusión, entrenamiento, generalización, sobreentrenamiento, complejidad de modelo y regularización. 1.2. Dos ejemplos de diferentes enfoques para la predicción: Modelos lineales ajustados por mínimos cuadrados y el vecino más cercano (KNN). Tema 2: Redes neuronales artificiales 2.1. Las redes neuronales artificiales. Tipos de redes neuronales. El Perceptrón. Multilayer feed-forward neural networks (MLP), Funciones de base radial (RBF networks), Redes de Unidades Producto (PUNN). 2.2. Superficie de error. Funciones de error: error cuadrático, entropía cruzada. 2.3. Entrenamiento de redes neuronales. Métodos basados en el gradiente. Método de retropropagación. 2.4. Aprendizaje y generalización. Introducción a la regularización. Tema 3: Computación Evolutiva. 3.1. Introducción a la Computación Evolutiva. Conceptos Básicos. Técnicas Heurísticas. 3.2. Principales paradigmas de la Computación Evolutiva. 3.3. Codificación con números reales de los individuos de la población. 3.4. Óptimos locales y globales. 3.5. Operadores de selección y operadores de mutación. El cruce en redes neuronales. 3.6. Determinación de parámetros en los algoritmos evolutivos. Condiciones de parada. Tema 4: Redes Neuronales Evolutivas. 4.1 Introducción a las Redes Neuronales evolutivas. Mutaciones estructurales y paramétricas. El sobre-entrenamiento en redes neuronales. Ejemplo de algoritmo de evolución de redes neuronales. 3
Tema 5: Aplicaciones de las redes neuronales a las Ciencias Sociales (Economía y Empresa). 5.1. Introducción sobre las aplicaciones a las finanzas y la economía. 5.2. Aplicaciones al marketing. Evaluación de la satisfacción del cliente. Marketing directo. Tema 6: Aplicaciones a otros campos de la ciencia. 6.1. Aplicaciones en Microbiología Predictiva. Determinación del crecimiento microbiano en patógenos. 6.2. Aplicaciones en Biomedicina. Determinación de pares de Donantes/ Receptores más apropiados en trasplantes. 6.3. Aplicaciones en Agricultura de precisión: Clasificación de fincas en función de su eficiencia. Determinación de firmas espectrales en olivar. Determinación de malas hiervas en campos de maíz. Tema 7: Introducción a WEKA. Introducción a software propio de Redes Neuronales Evolutivas. Ejemplos de aplicación. 1.7. Referencias de consulta Bibliografía básica: C. M. Bishop, Pattern Recognition and Machine Learning Springer (2008). C. M. Bishop, Neural Networks for Pattern Recognition Oxford University Press (1995). K. Smith, J. Gupta, Neural networks in Business, Techniques and Applications, Idea Group Publishing, (2002). S. Chen, L. Jain and C. Tai, Computational Economics, A perspective from Computational Intelligence, Idea Group Publishing (2006). J. Kamruzzaman, R. Begg and R. Sarker, Artificial Neural Networks in Finance and Manufacturing, Idea Group Publishing (2006). S. Haykin, Neural Networks: A Comprehensive Foundation (2nd Edition). 1998 T. Hastie, T., R.J. Tibshirani, and J. Friedman, The Elements of Statistical Learning. Data mining, Inference and Prediction, in Springer. (2001). http://wwwstat.stanford.edu/~tibs/elemstatlearn/ P. D. McNelis, Neural Networks in Finance, Elsevier, 2005 4
V. Cherkassky, J. H. Friedman and H. Wechsler, From Statistics to Neural Networks Theory and Pattern Recognition Applications. Edited by V. Cherkassky, J. H. Friedman and H. Wechsler. NATO ASI series. Springer-Verlag. 1994. C. Coello Coello. Introducción a la Computación Evolutiva (Notas de Curso). Departamento de Ingeniería Eléctrica. ccoello@cs.cinvestav.mx. 2004 Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer. Third Edition. 1995. 2. Métodos Docentes Los instrumentos didácticos-docentes que utilizaremos en el desarrollo de la asignatura serán fundamentalmente los siguientes: La lección magistral será utilizada para la exposición de los conceptos de cada tema. Seminario de introducción al manejo de la plataforma WEKA y NNEP. Clases prácticas dedicadas a la resolución de problemas en el aula usando las plataformas WEKA y NNEP. Lecturas comentadas de artículos de investigación. Resolución de un problema real usando los conocimientos adquiridos y aplicando las técnicas aprendidas en la asignatura. Tutorías individuales en el despacho del profesor para aquellos alumnos que lo requieran. Las horas de consulta semanales establecidas por el profesor servirán de complemento al trabajo realizado en las clases y permitirá una atención más personalizada a aquellos alumnos que lo necesiten. Se pondrá a disposición de los alumnos el siguiente material básico: - Guía Docente de la asignatura. - Artículos de investigación relacionados con el tema de estudio. - Guía básica de la plataforma WEKA. 5
3. Tiempo estimado de trabajo del estudiante Nº horas % Actividades presenciales 30 30% Clases teóricas: 15 Clases prácticas: 8 Seminarios: 4 Tutorías programadas en todo el cuatrimestre: 1 Presentación y defensa del trabajo de investigación 2 Actividades no presenciales (trabajo autónomo del estudiante) 70 70% Preparación de actividades prácticas: ejercicios con las plataformas WEKA y NNEP. 10 Realización del trabajo de investigación 40 Lectura de artículos y material bibliográfico 20 Carga total de horas de trabajo 100 100% 4. Métodos de evaluación y porcentaje en la calificación final La evaluación del aprendizaje debe comprender tanto el proceso realizado como el resultado obtenido. El examen tradicional sólo permite evaluar el resultado obtenido, dejando al margen el proceso de aprendizaje. Por este motivo, en el sistema de evaluación se valorarán las actividades programadas durante el curso. Los alumnos tendrán que realizar un trabajo de investigación relacionado con el contenido de la asignatura. Concretamente, tendrán que resolver un problema de clasificación de una base de datos reales aplicando alguna de las técnicas de inteligencia artificial desarrolladas durante el curso. Los resultados de la investigación serán presentados en el formato de un artículo para congreso científico y habrá de ser presentado y defendido al finalizar el curso. El formato en el que el alumnado habrá de presentar el trabajo será definido en los primeros días del curso. En la calificación final del trabajo se tendrá en cuenta el proceso de elaboración del mismo, su contenido y la exposición realizada. La siguiente tabla muestra los porcentajes que cada método de evaluación supone en la calificación final del alumnado. 6
Métodos de evaluación Trabajo Final 75% Evaluación Continua 25% Trabajo Final (en el caso de no poder asistir a clase de forma 100% justificada) Tabla 3 En la evaluación se tendrá en cuenta si el estudiante ha adquirido las siguientes competencias: Competencia Básica 3 (CB3): Competencia Básica 4 (CB4): Competencia universidad 2 (CU2) Competencia específica 3 (CE3): Conocimientos Introduce las competencias de Doctorado: CBD1, CBD2, CBD4 Competencia específica 6 (CE6): Conocimientos Introduce las competencias de Doctorado: CBD1, CBD2, CBD4 Los y las estudiantes del programa MMInv sabrán comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades. Los y las estudiantes del programa MMInv poseerán las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. Conocer y perfeccionar el nivel de usuario en el ámbito de las TICs. Ser capaz de diseñar modelos avanzados identificando la estructura de los sistemas, sus componentes o entidades y las relaciones entre ellos en situaciones de decisión dinámicas y complejas. Ser capaz de desarrollar estrategias de optimización de modelos y sistemas, comprobando y, en su caso, mejorando de su eficiencia. 7