Competencias del título |
Código
|
Competencias del título
|
A11 |
CE10 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos |
A12 |
CE11 - Comprensión y dominio de las principales técnicas y herramientas de análisis de datos, tanto desde el punto de vista estadístico como del aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos, y capacidad para seleccionar las más adecuadas para la resolución de problemas. |
A13 |
CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresión y dominio de fundamentos y técnicas básicas para la búsqueda y el filtrado de información en grandes colecciones de datos |
A16 |
CE15 - Conocimiento de las herramientas informáticas en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema |
B2 |
CG02 - Abordar con éxito todas las etapas de un proyecto de Inteligencia Artificial |
B3 |
CG03 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo |
B4 |
CG04 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo |
B5 |
CG05 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones |
B6 |
CB01 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
B7 |
CB02 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
B8 |
CB03 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
B9 |
CB04 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigu?edades |
C3 |
CT03 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida |
C4 |
CT04 - Desarrollarse para el ejercicio de una ciudadanía respetuosa con la cultura democrática, los derechos humanos y la perspectiva de género |
C7 |
CT07 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social |
C8 |
CT08 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad |
C9 |
CT09 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer plazos y cumplirlos |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias del título |
Conocer los conceptos básicos de computación evolutiva, de algoritmos evolutivos clásicos y de algoritmos bio-inspirados.
|
AM10 AM11 AM12 AM15
|
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9
|
CM3 CM4 CM7 CM8 CM9
|
Tener capacidad para diseñar modelos bioinspirados y de sistemas complejos de sistemas reales. |
AM10 AM11 AM12 AM15
|
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9
|
CM3 CM4 CM7 CM8 CM9
|
Conocer y aplicar técnicas basadas en sistemas evolutivos, redes de neuronas artificiales avanzadas y otros modelos bioinspirados. |
AM10 AM11 AM12 AM15
|
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9
|
CM3 CM4 CM7 CM8 CM9
|
Identificar las técnicas apropiadas de búsqueda de soluciones basadas en datos según el tipo de problema. Entender las diferentes posibilidades de combinación o hibridación entre métodos de búsqueda global evolutiva y otras metaheurísticas de búsqueda local. |
AM10 AM11 AM12 AM15
|
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9
|
CM3 CM4 CM7 CM8 CM9
|
Conocer diferentes modelos adaptativos bio-inspirados y manejar las herramientas y entornos de trabajo más actuales en el ámbito de los algoritmos bioinspirados. |
AM10 AM11 AM12 AM15
|
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9
|
CM3 CM4 CM7 CM8 CM9
|
Contenidos |
Tema |
Subtema |
Introducción a algoritmos de optimización
|
Esquema general de algoritmos evolutivos.
Conceptos básicos: dominio de búsqueda, restricciones, penalizaciones.
No Free Lunch theorem.
Conceptos básicos de optimización multiobjetivo. |
Paradigmas y meta-heurísticas de algoritmos inspirados en la naturaleza |
Metaheurísticas bio-inspiradas.
Inteligencia de enjambre.
|
Algoritmos específicos de computación evolutiva
|
Algoritmos genéticos.
Estrategias evolutivas.
Programación genética.
Ejemplos de inteligencia de enjambre: Particle Swarm Optimization, Arficial Bee Algorithm, Bacterial Colony Optimization, Ant algorithms.
Ejemplos de otros algoritmos evolutivos bio-inspìrados. |
Avances en la adaptación automática de algoritmos evolutivos |
Adaptación automática de los parámetros definitorios de un AE.
Uso de hiper-heurísticas.
|
Planificación |
Metodologías / pruebas |
Competéncias |
Horas presenciales |
Horas no presenciales / trabajo autónomo |
Horas totales |
Sesión magistral |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 |
10.5 |
10.5 |
21 |
Prueba objetiva |
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 |
Prueba 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 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Exposición oral de los temas de teoría por parte de los profesores de la asignatura.
|
Prueba objetiva |
Prueba/examen de los conceptos explicados en las clases de teoría. |
Prácticas de laboratorio |
Sesiones de laboratorio en las que se explicarán los conceptos necesarios para realizar prácticas de programación referentes a problemas de optimización con algoritmos evolutivos. Los profesores indicarán qué problemas de optimización se considerarán, así como la plataforma/lenguaje de programación que se utilizará en el uso o implementación de diferentes algoritmos evolutivos/bioinspirados. Los profesores indicarán si estos trabajos se realizan por los alumnos de forma autónoma o en grupos, y su progreso será supervisado por los profesores. |
Prueba mixta |
Seguimiento continuado de las prácticas realizadas, mediante la asistencia a clase y corrección continuada y final de las mismas. Se incluye la posibilidad de una exposición oral breve del trabajo realizado en esta parte. |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Prueba mixta |
|
Descripción |
Durante las prácticas de laboratorio, el alumno podrá consultar al profesor todas las dudas que le surjan sobre la realización de los problema prácticos formulados, así como sobre los aspectos que se evaluarán en la resolución de los problemas.
|
|
Evaluación |
Metodologías
|
Competéncias |
Descripción
|
Calificación
|
Sesión magistral |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 |
Se realizará un seguimiento continuado en la parte teórica, mediante la asistencia a clase y posibles cuestionarios tipo test al finalizar las sesiones magistrales. |
5 |
Prácticas de laboratorio |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 |
Evaluación de las diferentes prácticas realizadas por los alumnos. |
50 |
Prueba objetiva |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 |
Examen final de la parte teórica. |
40 |
Prueba mixta |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C4 C7 C8 C9 |
Se realizará un seguimiento continuado de las prácticas realizadas, mediante la asistencia a clase y corrección continuada y final de las mismas. Se incluye la posibilidad de una exposición oral breve del trabajo realizado en esta parte. |
5 |
|
Observaciones evaluación |
En el caso de plagio en prácticas o trabajos docentes se tendrá en cuenta el artículo 11, apartado 4 b) del Reglamento de Disciplina de Estudiantes de la UDC: b) Calificación de suspenso en la convocatoria en que se comete la falta y respecto de la materia en que se cometió: el alumno será calificado con "suspenso" (calificación numérica 0) en la convocatoria correspondiente del curso académico, ya sea que la comisión de la falta se produce en la primera oportunidad como en la segunda. Para ello, se modificará su calificación en el informe de primera oportunidad, en caso de ser necesario.
|
Fuentes de información |
Básica
|
Dan Simon (2013). Evolutionary Optimization Algorithms. Wiley
A. E. Eiben (2010). Introduction to Evolutionary Computing (Natural Computing Series). Springer |
|
Complementária
|
|
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
|
Asignaturas que se recomienda cursar simultáneamente |
|
Asignaturas que continúan el temario |
|
|