Profesorado

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

Sin Docencia

Criterios y Sistemas de Evaluación

Al dejar de impartirse la asignatura en el curso dispone de 4
convocatorias de examen

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.