Guía docente de Técnicas de Soft Computing para Aprendizaje y Optimización. Redes Neuronales y Metaheurísticas, Programación Evolutiva y Bioinspirada (M51/56/3/27)

Curso 2022/2023
Fecha de aprobación por la Comisión Académica 05/07/2022

Máster

Máster Universitario en Ciencia de Datos e Ingeniería de Computadores

Módulo

Módulo de Tecnologías Inteligentes e Inteligencia Computacional

Rama

Ingeniería y Arquitectura

Centro Responsable del título

International School for Postgraduate Studies

Semestre

Segundo

Créditos

3

Tipo

Optativa

Tipo de enseñanza

Presencial

Profesorado

  • Manuel Lozano Márquez
  • María Del Carmen Pegalajar Jiménez
  • David Alejandro Pelta Mochcovsky

Tutorías

Manuel Lozano Márquez

Email
  • Tutorías 1º semestre
    • Lunes 9:30 a 13:30 (D19 Etsiit)
    • Lunes 9:30 a 13:30 (D39 Etsiit)
    • Viernes 9:30 a 11:30 (D19 Etsiit)
    • Viernes 9:30 a 11:30 (D39 Etsiit)
  • Tutorías 2º semestre
    • Lunes 10:00 a 12:00 (D39 Etsiit)
    • Lunes 10:00 a 12:00 (D19 Etsiit)
    • Martes 10:00 a 12:00 (D39 Etsiit)
    • Martes 10:00 a 12:00 (D19 Etsiit)
    • Jueves 10:00 a 12:00 (D19 Etsiit)
    • Jueves 10:00 a 12:00 (D39 Etsiit)

María Del Carmen Pegalajar Jiménez

Email
  • Tutorías 1º semestre
    • Lunes 9:00 a 12:00 (D23 Etsiit)
    • Jueves 9:00 a 12:00 (D23 Etsiit)
  • Tutorías 2º semestre
    • Miercoles 9:30 a 12:00 (D23 Etsiit)
    • Miércoles 9:30 a 12:00 (D23 Etsiit)
    • Viernes 8:30 a 10:00 (D23 Etsiit)
    • Viernes 12:00 a 14:00 (D23 Etsiit)

David Alejandro Pelta Mochcovsky

Email
  • Tutorías 1º semestre
    • Martes 9:00 a 12:00 (D16 Etsiit)
    • Miércoles 9:00 a 10:00 (D16 Etsiit)
    • Miercoles 9:00 a 10:00 (D16 Etsiit)
    • Jueves 11:30 a 13:30 (D16 Etsiit)
  • Tutorías 2º semestre
    • Lunes 11:30 a 14:30 (D16 Etsiit)
    • Martes 8:30 a 11:30 (D16 Etsiit)
    • Martes 10:30 a 13:30 (D16 Etsiit)

Breve descripción de contenidos (Según memoria de verificación del Máster)

1. Introducción a las redes neuronales

       1.1) Aprendizaje a partir de datos

       1.2) Modelos de redes neuronales

       1.3) Modelos de aprendizaje

       1.4) Identificación y optimización de modelos dirigidos por el problema

       1.5) Optimización con redes neuronales

       1.6) Ejemplos de aplicaciones de interés social, económico y de investigación.

2. Metaheurísticas, algoritmos evolutivos y bioinspirados

       2.1) Problemas de Optimización. Problemas NP duros y problemas dinámicos.

       2.2) Metaheurísticas: Modelos y clasificación.

       2.3) Metaheurísticas constructivas y basadas en búsqueda local.

       2.4) Algoritmos evolutivos.

       2.5) Algoritmos de optimización basados en inteligencia colectiva.

       2.6) Aplicación de metaheurísticas y algoritmos evolutivos a problemas de optimización dinámicos.

 

Prerrequisitos y/o Recomendaciones

 

 

Competencias

Competencias Básicas

  • CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
  • CB7. 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.
  • CB8. 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.
  • CB9. 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 ambigüedades.
  • CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Resultados de aprendizaje (Objetivos)

  • Saber abordar un problema real de aprendizaje a partir de datos y abordarlo con una red neuronal de forma efectiva:
    • Saber distinguir cuando un problema puede ser abordado con esta técnica (conocer los modelos de redes, los problemas para los que son indicados cada uno, y los requisitos para tener opciones de éxito dentro de cada modelo).
    • Aprender a utilizar un software de desarrollo rápido y potente.
    • Saber preparar los datos y solventar los principales problemas que se pueden encontrar con los datos disponibles (datos incompletos, pocos datos, datos no homogéneos, etc.).
    • Saber realizar una selección de características adecuada (PCA,etc.).
    • Saber aplicar una metodología para obtener un resultado efectivo (metodología adecuada para de selección del modelo de red, de topología de la red y de elección de algoritmos y parámetros de aprendizaje).
  • El alumno comprenderá la conveniencia de aplicar metaheurísticas, algoritmos evolutivos y bioinspirados para obtener soluciones aproximadas a problemas de optimización realmente desafiantes que están apareciendo, en la actualidad, a partir del avance tecnológico de muchas actividadeshumanas. En esta línea, será capaz de:
    • Evaluar la complejidad computacional de un problema de optimización.
    • Conocer distintos tipos de estrategias algorítmicas para encontrar soluciones con alta calidad para estos problemas.
    • Recomendar, desarrollar e implementar aquélla que garantice el mejor rendimiento de acuerdo a determinados requisitos establecidos.

 

 

 

 

Programa de contenidos Teóricos y Prácticos

Teórico


1. Metaheurísticas, algoritmos evolutivos y bioinspirados.
    1.1. Problemas de optimización. Problemas NP duros y problemas dinámicos.
    1.2. Metaheurísticas: Modelos y clasificación.
    1.3. Metaheurísticas constructivas y basadas en búsqueda local.
    1.4. Algoritmos evolutivos. 
    1.5. Algoritmos de optimización basados en inteligencia colectiva.
    1.6. Aplicación de metaheurísticas y algoritmos evolutivos a problemas de optimización dinámicos.

2. Introducción a las redes neuronales.
    2.1 Aprendizaje a partir de datos.
    2.2 Modelos de redes neuronales.
    2.3 Modelos de aprendizaje.
    2.4 Identificación y optimización de modelos dirigidos por el problema.
    2.5 Optimización con redes neuronales.
    2.6 Ejemplos de aplicaciones de interés social, económico y de investigación.

 

Práctico

  • Desarrollo de ejemplos y resolución de problemas de optimización.
  • Desarrollo de ejemplos y resolución de problemas de aprendizaje.

Bibliografía

Bibliografía fundamental

  • Hybrid Metaheuristics Powerful Tools for Optimization, Christian Blum,  Günther R. Raidl, Springer International Publishing, 2016.
  • Handbook of Heuristics, Rafael Martí, Panos M. Pardalos, Mauricio G. Resende, Springer, 2018.
  • Metaheuristics, Patrick Siarry (Editor) Springer International Publishing 2016.
  • Introduction to Evolutionary Computing, A.E. Eiben, J.E. Smith., Second Edition, Natural Computing Series, Springer, 2015.
  • Modern Optimization with R, Paolo Cortez, Springer International Publishing, 2014.
  • Theoretical Aspects of Local Search, Wil Michiels, Emile Aarts, Jan Korst, Springer, 2007.
  • Neural Networks for Pattern Recognition, C.M.Bishop, Oxford University Press, 1995.
  • Deep Learning (Adaptive Computation and Machine Learning Series), Ian Goodfellow, Yoshua Bengio, Aaron Courville, Cambridge, MA, MIT Press, 2017.
  • Neural Networks and Deep Learning (A Textbook), C. Aggarwal, Springer Cham, 2018.
  • Redes Neuronales: Guia Sencilla de Redes Neuronales Artificiales, Rudolph Russell, Createspace Independent Publishing Platform, 2018.

Enlaces recomendados

Metodología docente

Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)

Evaluación Ordinaria

El artículo 17 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se les haya reconocido el derecho a la evaluación única final.

La evaluación consta de tres apartados:

  1. Evaluación de la parte teórica. Se realizarán exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas. Este apartado tendrá una ponderación del 35%.
  2. Evaluación de la parte práctica. Se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación. Este apartado tendrá una ponderación del 45%.
  3. Evaluación de los seminarios y otras actividades. Se tendrá en cuenta la asistencia, los problemas propuestos que hayan sido resueltos y entregados por los alumnos, en su caso, las entrevistas efectuadas durante el curso y la presentación oral de los trabajos desarrollados. Este apartado tendrá una ponderación del 20%.

Evaluación Extraordinaria

  • El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.
  • La convocatoria extraordinaria consiste de un único examen multipregunta sobre los contenidos de la asignatura.

Evaluación única final

  • El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante que no pueda cumplir con el método de evaluación continua por causas justificadas.
  • Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.
  • La evaluación en tal caso consistirá en un único examen multipregunta sobre los contenidos de la asignatura.

Información adicional