| Study programme competencies |
| Code | Study programme competences |
| A1 | Capacidad para utilizar los conceptos y métodos matemáticos y estadísticos para modelizar y resolver problemas de inteligencia artificial. |
| A5 | Comprender y aplicar los principios y técnicas básicas de la programación paralela y distribuida para el desarrollo y ejecución eficiente de las técnicas de inteligencia artificial. |
| A15 | Conocer y saber aplicar y explicar correctamente las técnicas de validación de las soluciones de inteligencia artificial. |
| B2 | Que el alumnado sepa aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posea las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio. |
| B5 | Que el alumnado haya desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía. |
| B7 | Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. |
| B9 | Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial. |
| C3 | Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor. |
| Learning aims | |||
| Learning outcomes | Study programme competences | ||
| Coñecemento dos resultados teóricos incluídos no programa, identificando e coñecendo as técnicas de resolución de diferentes problemas de optimización matemática. | A1 A5 A15 |
B2 B5 B7 B9 |
C3 |
| Capacidade para aplicar correctamente os coñecementos obtidos á modelización e resolución de problemas de optimización que xorden no contexto dos problemas de intelixencia artificial, familiarizándose coas interrelacións entre optimización matemática e aprendizaxe automático. | A1 A5 A15 |
B2 B5 B7 B9 |
C3 |
| Contents |
| Topic | Sub-topic |
| Introdución á optimización matemática. | Descrición e exemplos dos principais modelos de optimización matemática. |
| Programación lineal e enteira. | Programación lineal continua. Algoritmo do símplex. Dualidade e análise de sensibilidade. Programación lineal enteira. Algoritmo de ramificación e acotamento. |
| Optimización en redes. | Problemas de transporte e asignación. Problemas de fluxo en redes. Problemas de camiños e roteiros. |
| Introdución á programación non lineal. | Introdución aos principais modelos e algoritmos de programación non lineal e as súas aplicacións en intelixencia artificial. |
| Planning | ||||
| Methodologies / tests | Competencies | Ordinary class hours | Student’s personal work hours | Total hours |
| Problem solving | A1 A5 A15 B2 B5 B7 B9 C3 | 30 | 30 | 60 |
| Guest lecture / keynote speech | A1 A5 A15 B2 B5 B7 B9 C3 | 30 | 45 | 75 |
| Personalized attention | 15 | 0 | 15 | |
| (*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. | ||||
| Methodologies |
| Methodologies | Description |
| Problem solving | A solución de problemas levará a cabo en clases interactivas onde se poñerá énfases na aplicación práctica dos conceptos vistos nas clases expositivas. Ademais, aprenderase o manexo dalgunha ferramenta informática para a execución dalgunhas das técnicas de optimización vistas. A linguaxe de referencia será Python (https://www.python.org/). Empregarase o Campus Virtual da UDC para facilitar o enunciado dos problemas propostos aos estudantes. |
| Guest lecture / keynote speech | A sesión maxistral consistirá en clases expositivas na aula. Nelas aprenderanse os contidos teóricos da materia e os procedementos para a resolución dos problemas prácticos. Empregarase o Campus Virtual da UDC para facilitar material aos estudantes. |
| Personalized attention |
|
|
| Assessment | |||
| Methodologies | Competencies | Description | Qualification |
| Guest lecture / keynote speech | A1 A5 A15 B2 B5 B7 B9 C3 | -Realizarase unha proba escrita cunha puntuación máxima de 6 puntos. Aqueles estudantes que non superen ou realicen as probas prácticas, poderán realizar un exame de prácticas nesta proba escrita que puntuará 4 puntos como máximo. -Non se require nota mínima. |
60 |
| Problem solving | A1 A5 A15 B2 B5 B7 B9 C3 | -Realizaranse dúas probas prácticas ao longo do desenvolvemento da materia. -A puntuación máxima será de 4 puntos. -Non se require nota mínima. |
40 |
| Assessment comments | |||
| Sources of information |
| Basic |
Hillier, F. y Lieberman, G. (2002). Investigación de Operaciones. McGraw-Hill
Bazaraa, M., Jarvis, J. y Sherali, H. (2010). Linear Programming and Network Flows. Wiley and Sons |
|
|
|
| Complementary |
Luenberger D.L.; Ye, Y. (2021). Linear and Nonlinear Programming. Springer
Ahuja, R. K.; Magnanti, T. L. y Orlin, J. B. (1993). Network Flows. Theory, Algorithms and Applications. Prentice-Hall |
|
|
| Recommendations | ||
| Subjects that it is recommended to have taken before | ||
|
| Subjects that are recommended to be taken simultaneously |
| Subjects that continue the syllabus |
| Other comments | |
|
Traballarase para fomentar a igualdade entre homes e mulleres. |