| Competencias do título |
| Código | Competencias do título |
| A11 | CE10 - capacidade para a construcción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e o análisis crítico dos resultados obtidos para seleccionar as máis axeitadas para a resolución de problemas |
| A12 | CE11 - Comprensión e dominio das principáis técnicas e ferramentas de análisis de datos, tanto dende o punto de vista estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volúmenes de datos, e capacidade para seleccioar as máis axeitadas para a resolución de problemas |
| A13 | CE12 - capacidade para plantexar, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio de fundamentos e técnicas básicas para a búsqueda e o filtrado de información en grandes coleccións de datos |
| A16 | CE15 - coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis axeitad para a resolución dun problema |
| B2 | CG02 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial |
| B3 | CG03 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo |
| B4 | CG04 - Elaborar axeitadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo |
| B5 | CG05 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións |
| B6 | CB01 - Poseer e comprender coñecementos que aporten unha base ou oportunidade de ser orixináis no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
| B7 | CB02 - Que os estudantes saiban aplicar os coñecementos adquiridos e posúan capacidade de resolución de problemas en entornos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacioados coa su área de estudo |
| B8 | CB03 - Que os estudantes sexan capaces de integrar coñecementos e enfrentarse á complexidade de formular xuízos a partiren dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociáis e éticas vinculadas á aplicación dos seus coñecementos e xuízos |
| B9 | CB04 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun xeito claro e sen ambigu?idades |
| C3 | CT03 - Utilizar as ferramientas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida |
| C4 | CT04 - Desenvolverse para o exercicio dunha una cidadanía respetuosa coa cultura democrática, os dereitos humáns e la perspectiva de xénero |
| C7 | CT07 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenrolo sostible ambiental, económico, político e social |
| C8 | CT08 - Valorar a importancia que ten a investigación, a innovación e o desenrolo tecnolóxico no avance socioeconómico e cultural da sociedade |
| C9 | CT09 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer plazos e cumplilos |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| Coñecer os conceptos básicos da computación evolutiva, os algoritmos evolutivos clásicos e os algoritmos bio-inspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Ter a capacidade de deseñar modelos bioinspirados e sistemas complexos de sistemas reais. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Coñecer e aplicar técnicas baseadas en sistemas evolutivos, redes de neuronas artificiais avanzadas e outros modelos bioinspirados. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Identificar as técnicas adecuadas para buscar solucións a partir de datos segundo o tipo de problema. Comprender as diferentes posibilidades de combinación ou hibridación entre métodos evolutivos de busca global e outras metaheurísticas de busca local. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Coñecer diferentes modelos adaptativos de inspiración biolóxica e xestionar as ferramentas e contornas de traballo máis actuais no campo dos algoritmos de inspiración biolóxica. | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Contidos |
| Temas | Subtemas |
| Introdución aos algoritmos de optimización |
Esquema xeral dos algoritmos evolutivos. Conceptos básicos: dominio de busca, restricións, penalizacións. No Free Lunch theorem Conceptos básicos de optimización multi-obxectivo |
| Paradigmas e meta-heurísticas de algoritmos inspirados na natureza | Metaheurísticas bio-inspiradas. Intelixencia de enxame. |
| Algoritmos específicos de computación evolutiva | Algoritmos xenéticos. Estratexias evolutivas. Programación xenética. Exemplos de intelixencia de enxame:Particle Swarm Optimization, Arficial Bee Algorithm, Bacterial Colony Optimization, Ant algorithms. Exemplos doutros algoritmos evolutivos bio-inspirados. |
| Avances na adaptación automática de algoritmos evolutivos | Adaptación automática dos parámetros definitorios dun AE. Uso de hiper-heurísticas. |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Sesión maxistral | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 10.5 | 10.5 | 21 |
| Proba obxectiva | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 3 | 0 | 3 |
| Prácticas de laboratorio | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 10.5 | 31.5 | 42 |
| Proba mixta | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | 2 | 2 | 4 |
| Atención personalizada | 5 | 0 | 5 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| Metodoloxías | Descrición |
| Sesión maxistral | Exposición oral dos temas teóricos por parte do profesorado da materia. |
| Proba obxectiva | Proba/exame dos conceptos explicados nas clases teóricas. |
| Prácticas de laboratorio | Sesións de laboratorio nas que se explicarán os conceptos necesarios para realizar prácticas de programación relacionadas con problemas de optimización con algoritmos evolutivos. Os profesores indicarán que problemas de optimización se terán en conta, así como a plataforma/linguaxe de programación que se utilizará no uso ou implantación de diferentes algoritmos evolutivos/bio-inspirados. O profesorado indicará se estes traballos son realizados polo alumnado de forma autónoma ou en grupo, e o seu progreso será supervisado polo profesorado. |
| Proba mixta | Seguimento continuo das prácticas realizadas, mediante asistencia a clase e corrección continua das mesmas. Inclúese a posibilidade dunha breve exposición oral do traballo realizado nesta parte. |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Sesión maxistral | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Realizarase un seguimento continuo na parte teórica, mediante a asistencia a clase e posibles cuestionarios tipo test ao remate das clases maxistrais. | 5 |
| Prácticas de laboratorio | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Avaliación das diferentes prácticas realizadas polo alumnado. | 50 |
| Proba obxectiva | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Examen final da parte teórica. | 40 |
| Proba mixta | A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 | Realizarase un seguimento continuo das prácticas realizadas, mediante asistencia a clase e corrección continua e final das mesmas. Inclúese a posibilidade dunha breve exposición oral do traballo realizado nesta parte. Inclúese a posibilidade dunha breve exposición oral do traballo realizado nesta parte. |
5 |
| Observacións avaliación | |||
| Fontes de información |
| Bibliografía básica |
Dan Simon (2013). Evolutionary Optimization Algorithms. Wiley
A. E. Eiben (2010). Introduction to Evolutionary Computing (Natural Computing Series). Springer |
|
|
|
| Bibliografía complementaria | |
|
|
| Recomendacións | |
| Materias que se recomenda ter cursado previamente |
| Materias que se recomenda cursar simultaneamente |
| Materias que continúan o temario |
| Observacións | |