Estudia
- Artes y humanidades
- Ciencias
- Ciencias de la salud
- Ciencias sociales y jurídicas
-
Ingeniería y arquitectura
- Doble Máster Universitario en Ingeniería Industrial e Ingeniería Energética
- Máster Erasmus Mundus en Ingeniería Mecatrónica
- Máster Universitario Erasmus Mundus en Tecnología y Gestión para la Economía Circular
- Máster Erasmus Mundus en Transporte Sostenible y Sistemas Eléctricos de Potencia
- Máster Universitario en Ciencia y Tecnología de Materiales
- Máster Universitario en Conversión de Energía Eléctrica y Sistemas de Potencia
- Máster Universitario en Conversión de Energía Eléctrica y Sistemas de Potencia (Plan antiguo)
- Máster Universitario en Dirección de Proyectos
- Máster Universitario en Geotecnología y Desarrollo de Proyectos SIG
- Máster Universitario en Ingeniería de Automatización e Informática Industrial
- Máster Universitario en Ingeniería de Caminos, Canales y Puertos
- Máster Universitario en Ingeniería de Minas
- Máster Universitario en Ingeniería de Telecomunicación
- Máster Universitario en Ingeniería Energética
- Máster Universitario en Ingeniería Industrial
- Máster Universitario en Ingeniería Informática
- Máster Universitario en Ingeniería Mecatrónica
- Máster Universitario en Ingeniería Química
- Máster Universitario en Ingeniería Web (nuevo-implantación en curso 2024-25)
- Máster Universitario en Ingeniería Web (En Extinción)
- Máster Universitario en Integridad y Durabilidad de Materiales, Componentes y Estructuras
- Máster Universitario en Náutica y Gestión del Transporte Marítimo
- Máster Universitario en Tecnologías Marinas y Mantenimiento
- Máster Universitario en Prevención de Riesgos Laborales
- Información, acceso y becas
Métodos Basados en el Conocimiento Aplicados a la Empresa
- Tutorías Grupales (2 Horas)
- Prácticas de Laboratorio (12 Horas)
- Clases Expositivas (12 Horas)
- Prácticas de Aula/Semina (4 Horas)
La asignatura de Métodos Basados en el Conocimiento Aplicados a la Empresa pertenece al módulo de “Metodologías en Tecnologías Informáticas”. Se basa en los conocimientos sobre Sistemas Inteligentes que el alumnado haya adquirido en sus titulaciones previas.
En el ejercicio práctico de nuestra profesión de ingenieros y/o investigadores nos encontraremos diariamente con problemas complejos en los que, en base a un conocimiento específico sobre un dominio muy concreto, debemos tomar decisiones que afectarán a la eficiencia de nuestro proceso productivo y a nuestro posicionamiento frente a la competencia.
Esta asignatura presenta, con un enfoque práctico y didáctico, un conjunto de herramientas del ámbito de la Ingeniería del Conocimiento, para modelar y resolver los problemas de toma de decisión de acuerdo con el conocimiento disponible. Presentando ejemplos reales de nuestro entorno científico y empresarial en los que se aplican estas técnicas.
Los profesores que imparten la docencia de esta asignatura son todos docentes e investigadores del área de Ciencias de la Computación e Inteligencia Artificial del departamento de Informática de la Universidad de Oviedo.
Para cursar esta asignatura es importante que los alumnos hayan asimilado los conocimientos sobre Sistemas Inteligentes de las asignaturas de Inteligencia Artificial en sus titulaciones previas.
Gran parte de la bibliografía y documentación manejada en la asignatura está en inglés, por lo que el alumno deberá ser capaz de leer y comprender textos escritos en esta lengua.
La asignatura pertenece al módulo correspondiente a Metodologías en Tecnologías Informáticas junto con las asignaturas Productos y Servicios TIC, Políticas y Procedimientos de Seguridad, y Calidad de Procesos y Productos. El siguiente cuadro muestra los resultados de aprendizaje de la competencia CE-TI9: “Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento”, la cual deben desarrollar los alumnos que cursan esta asignatura.
Competencia | Resultado de aprendizaje | |
CE-TI9 | RA5-11 | Conocer los métodos de la Ingeniería del Conocimiento para el modelado de problemas complejos en el ámbito de la empresa. |
CE-TI9 | RA5-12 | Conocer los métodos de análisis inteligente de datos y saber aplicarlos en el diseño de sistemas orientados a la toma de decisiones de la empresa. |
CE-TI9 | RA5-13 | Conocer las técnicas metaheurísticas y saber aplicarlas para la resolución de problemas en el ámbito de la empresa |
CE-TI9 | RA5-14 | Saber integrar los sistemas basados en el conocimiento sistemas de gestión de información ya presentes en la empresa. |
Contenidos teóricos:
Tema 1. Modelado del conocimiento en problemas complejos.
Tema 2. Resolución de problemas complejos utilizando técnicas de aprendizaje automático supervisado y no supervisado.
Tema 3. Resolución de problemas complejos utilizando Metaheurísticas
Contenidos prácticos:
Modelado y resolución práctica de problemas de empresa utilizando técnicas de Clasificación, Clustering y Metaheurísticas.
Las actividades docentes del curso son de tipo presencial y no presencial. Las horas presenciales corresponden a actividades tanto de tipo expositivo como prácticas de aula, prácticas de laboratorio y tutorías grupales. En la parte no presencial tendrán especial relevancia las actividades individuales planteadas al alumno en el Campus Virtual de la Universidad de Oviedo y los trabajos en grupo realizados por los alumnos.
TRABAJO PRESENCIAL | TRABAJO NO PRESENCIAL | |||||||||
Temas | Horas totales | TP1 | TP2 | TP3 | TP4 | TP5 | Total | TP6 | TP7 | Total |
T1 | 15 | 4 | 1 | 5 | 10 | 10 | ||||
T2 | 14 | 3 | 1 | 4 | 10 | 10 | ||||
T3 | 15 | 3 | 2 | 5 | 10 | 10 | ||||
P1 | 16 | 4 | 4 | 10 | 2 | 12 | ||||
P2 | 19 | 4 | 1 | 5 | 10 | 4 | 14 | |||
P3 | 19 | 4 | 1 | 5 | 10 | 4 | 14 | |||
Evaluación | 2 | 2 | 2 | |||||||
Total | 100 | 10 | 4 | 12 | 2 | 2 | 30 | 30 | 40 | 70 |
Leyenda:
TP1:Clase Expositiva
TP2:Prácticas de aula /Seminarios/ Talleres
TP3:Prácticas de laboratorio /campo /aula de informática/ aula de idiomas
TP4:Tutorías grupales
TP5:Sesiones de Evaluación
TP6: Trabajo en grupo
TP7:Trabajo autónomo
MODALIDADES | Horas | % | Totales | |
Presencial | Clases Expositivas | 10 | 10% | 30h (30%) |
Práctica de aula / Seminarios / Talleres | 4 | 4% | ||
Prácticas de laboratorio / campo / aula de informática / aula de idiomas | 12 | 12% | ||
Prácticas clínicas hospitalarias | ||||
Tutorías grupales | 2 | 2% | ||
Prácticas Externas | ||||
Sesiones de evaluación | 2 | 2% | ||
No presencial | Trabajo en Grupo | 29 | 29% | 70h (70%) |
Trabajo Individual | 41 | 41% | ||
Total | 100 |
Convocatoria ordinaria:
La evaluación constará de las dos partes indicadas a continuación junto con su contribución a la calificación final:
Realización de un trabajo en grupo (3-4 alumnos de media) durante el desarrollo de la asignatura, seguimiento de la contribución de cada miembro del grupo, entrega de una memoria y defensa final del trabajo de forma oral por parte de todos los miembros y ante todos los alumnos
Realización de trabajos individuales planteados en el Campus Virtual
- Para aprobar la asignatura debe aprobarse cada una de las dos partes con una calificación de al menos 5 puntos sobre 10, siendo entonces la calificación final la suma ponderada de las calificaciones parciales según la siguiente fórmula:
Calificación Final = 0,5 x Trabajo Grupo + 0,5 x Trabajo Individual
- Los trabajos en grupo solo podrán ser realizados en la convocatoria ordinaria. Para aprobar el trabajo en grupo será además imprescindible asistir a las sesiones previstas para la defensa oral de los trabajos en grupo.
Convocatoria extraordinaria:
- En esta convocatoria se tendrán en cuenta tanto el trabajo en grupo como el trabajo individual siempre que fueran aprobados en la convocatoria ordinaria, siendo 0 la calificación en caso contrario. La calificación en el apartado de trabajos se calculará con la siguiente fórmula:
Calificación Trabajos = 0,5 x Trabajo Grupo + 0,5 x Trabajo Individual
- Se realizará una prueba presencial de conocimientos que deberá ser aprobada con una calificación de al menos 5 puntos sobre 10.
- La calificación final en la convocatoria extraordinaria se calculará con la siguiente fórmula:
Calificación Final = 0,6 x Prueba presencial + 0,4 x Calificación Trabajos
Observación: nótese que si no se ha presentado y aprobado ninguno de los trabajos en la convocatoria ordinaria, se optará a una calificación máxima de 6 puntos en la convocatoria extraordinaria.
Evaluación diferenciada:
Actividad | Fecha | % de las Competencias cubiertas |
Prueba escrita presencial | (*) | 50%(**) |
Prueba práctica presencial | (*) | 50%(**) |
(*) Fecha de las pruebas de evaluación de las convocatorias oficiales de la asignatura.
(**) Es requisito necesario aprobar cada prueba por separado para aprobar la asignatura.
La calificación final se obtendrá por una ponderación del 50% de ambas pruebas presenciales.
Bibliografía:
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition. Aurélien Géron. O'Reilly, 2022. ISBN: 978-1098125974.
Deep Learning with Python. François Chollet. Manning, 2017. ISBN: 9781617294433.
Machine Learning with Quantum Computers. Maria Schuld & Francesco Petruccione. Springer, 2021. ISBN: 978-3030830977
A Practical Guide to Quantum Machine Learning and Quantum Computing. Elías F. Combarro & Samuel González-Castillo. Packt, 2023. ISBN: 978-1804613832
Fundamentos de Computación Evolutiva. Enrqique J. Carmona Suárez y Severino Fernández Galán. Marcombo, 2019. ISBN:9788426727558.
Hands-On Genetic Algorithms with Python. Eyal Wirsansky. Packt 2020. ISBN 9781838557744.
Metaheuristics: From Design to Implementation. El-Ghazali Talbi. Ed. Wiley, 2009. ISBN‑10: 0470278587 ISBN-13: 978-0470278581.
Software:
· Opt4J: A Modular Framework for Meta-heuristic Optimization
(https://sdarg.github.io/opt4j/)
· jMetal: Metaheuristic Algorithms in Java
(http://jmetal.github.io/jMetal/)
· MOEA: A Free and Open Source Java Framework for Multiobjective Optimization
(http://moeaframework.org/)
· Anaconda: distribution of the Python and R programming languages for scientific computing
( https://www.anaconda.com/)
· scikit-learn: Machine learning in Python
(https://scikit-learn.org/)
· Keras: the Python deep learning API
(https://keras.io/)
· pennylane: A cross-platform Python library for differentiable programming of quantum computers
(https://pennylane.ai/)