Profesores

Pedro L. Galindo Riaño

Situación

Prerrequisitos

Ninguno

Contexto dentro de la titulación

Se trata de una asignatura optativa

Es la única asignatura relacionada directamente con la informática,
aparte de la troncal de primero.

Recomendaciones

Ninguna

Competencias

Competencias transversales/genéricas

Instrumentrales: Resolución de problemas. Toma de decisiones.
Personales : Capacidad para comunicarse con expertos de otras áreas.
Sistémicas : Capacidad de aplicar los conocimientos en la práctica.

Competencias específicas

• Cognitivas(Saber):

  ADQUISICIÓN DE LOS CONOCIMIENTOS INCLUIDOS EN EL TEMARIO, Y DE LA
  METODOLOGÍA DE TRABAJO EN LA RESOLUCIÓN DE PROBLEMAS REALES
  

• Procedimentales/Instrumentales(Saber hacer):

  Creación de modelos para situaciones reales.
  Resolución de modelos utilizando técnicas analíticas, numéricas o
  estadísticas.
  Participación en la implementación de programas informáticos
  Aplicación de los conocimientos a la práctica
  

• Actitudinales:

  Conocimiento de los procesos de aprendizaje.
  Ejemplificación de la aplicación a otras disciplinas y problemas
  reales
  

Objetivos

La presente asignatura dotará al alumno de unos conocimientos teóricos,
que le
permitan plantear soluciones a problemas avanzados de informática, así
como unos conocimientos prácticos, que le permitan implementar esas
soluciones
en un lenguaje de programación concreto.
Para ello, se proponen los siguientes objetivos a cumplir:
a) Dar a conocer al alumno los fundamentos básicos de computación
avanzada
b) Aplicar dichos fundamentos en algún lenguaje de alto nivel, como es
MATLAB.
c) Ampliar las habilidades de los alumnos profundizando en la
resolución de
problemas concretos.

En este curso se estudian las bases teóricas  que sustentan los
principales
modelos utilizados en las aplicaciones de computación avanzada.

El principal objetivo consiste en que el alumno sepa capaz de
enfrentarse a
una aplicación real

Programa

TEMARIO TEORICO

1 Métodos de clasificación (3 h.)
- Métodos paramétricos (minima dist., minima dist. Mahalanobis, etc.)
- Métodos no paramétricos (1-NN, K-NN)
- Teoría de la decisión bayesiana
2 Métodos de regresión (3 h.)
- Modelos lineales
- Resolución de problemas no lineales
3 Preprocesado y extracción de características (2 h.)
- Reducción de la dimensionalidad
4 Generalización (1 h.)
- Estimación error de generalización
- Control de la complejidad
5 Redes neuronales (5 h.)
- Monocapa
- Multicapa
- Otras


TEMARIO DE PRACTICAS

1. Técnicas de Clasificación  (9 h.)
2. Técnicas de Regresión (9 h.)
3. Preprocesado y extr. de caracteristicas (6 h.)
4. Generalización (3 h.)
5. Redes neuronales    (15 h.)

Metodología

El curso comprende tres partes fundamentales:
1) Presentación de la teoría básica general que proporcione un marco
común
a
las diferentes técnicas que se introducirán posteriormente.
2) Exposición de la gama de técnicas habitualmente utilizadas.
3) Todas las técnicas tendrán su reflejo en prácticas propuestas que el
alumno
deberá realizar usando los conocimientos adquiridos.

Las clases teóricas consistirán en la explicación por parte del
profesor de
los distintos contenidos expuestos en el temario de la asignatura. Se
utilizarán los medios que el profesor considere necesarios, pudiéndose
realizar, si el número de alumnos lo permite, en el propio aula de
prácticas.
Las clases prácticas consistirán en la realización de ejercicios
graduados
en
dificultad. Se complementará con la realización de trabajos monográficos
individuales que cubran diferentes aspectos de la materia tratada.

Distribución de horas de trabajo del alumno

Nº de Horas (indicar total): 112.5

• Clases Teóricas: 14  
• Clases Prácticas: 42  
• Exposiciones y Seminarios:  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 4  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesor:  
  • Sin presencia del profesor: 10  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio:  
  • Preparación de Trabajo Personal:  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal):  

Técnicas Docentes

Criterios y Sistemas de Evaluación

La evaluación consistirá en la entrega de varias prácticas.

La calificación final vendrá dada por la media de las calificaciones
de las prácticas.

El alumno que lo desee podrá realizar un trabajo de mayor complejidad
sobre un tema de común acuerdo con el profesor de la asignatura para
subir nota.

Recursos Bibliográficos

Bishop, C.M. (1995). Neural networks for pattern recognition. Clarendon
Press,
Oxford.

R.O. Duda, P.E. Hart, D.G. Stork (2000) Pattern classification. Wiley.

Hilera, J.R. y Martínez, V.J. (1995). Redes neuronales artificiales.
Fundamentos, modelos y aplicaciones. RAMA. Madrid.

Lippmann, R. P. (April 1987). An introduction to computing with neural
nets.
IEEE Acoustics, Speech, and Signal Processing Magazine. vol. 2, no. 4,
pp
4-22.

Maravall, D. (1993) Reconocimiento de formas y visión artificial. Rama,
Madrid.