Guía docente de Soft Computing: Conjuntos y Sistemas Difusos (M51/56/3/26)

• Conjuntos y Lógica Difusa (1 ECTS).
• Sistemas Difusos (1 ECTS).
• Razonamiento Aproximado y Sistemas Basados en Reglas Difusas (1 ECTS).
• Tratamiento de Datos Imprecisos en Bases de Datos (1 ECTS).

Sin requisitos previos.

El estudiante debe ser capaz de

• Manejar convenientemente los conceptos de conjuntos difusos y representar de forma apropiada en problemas reales la imprecisión, la preferencia y la incertidumbre.
• Conocer las metodologías de diseño y construcción de sistemas difusos para resolver problemas concretos.
• Conocer los diferentes sistemas basados en reglas difusas, entender y seleccionar los diferentes parámetros que intervienen en su diseño y poder construir sistemas que resuelvan problemas concretos haciendo uso de las diferentes técnicas de construcción de los mismos.
• Conocer los fundamentos teóricos, las similitudes y las diferencias de los diferentes modelos de bases de datos difusas de la literatura.
• Incorporar en un SGBD los principales elementos de una Bases de Datos Imprecisa.
• Aplicar las diferentes propuestas a un ejercicio práctico sobre prototipos reales.

• Tema 1: Fundamentos de Conjuntos y Sistemas Difusos.
• Tema 2: Sistemas Basados en Reglas Difusas.
• Tema 3: Sistemas Difusos: Inteligencia Artificial Explicable mediante modelos de reglas transparentes. 
• Tema 4: Extensiones de Representación Difusa: Aplicaciones en toma de decisiones.
• Tema 5: Bases de Datos Difusas.

• Aproximaciones básicas con SCBRDs: Temas 1, 2 y 3.
• Aplicaciones en toma de decisiones: Tema 4.
• Consulta flexible de bases de datos: Tema 5.

• Fuzzy Logic and Mathematics: A Historical Perspective, Radim Belohlavek, Joseph W. Dauben, and George J. Klir (2017) Oxford Scholarship Online
• Classification and Modeling with Linguistic Information Granules: Advanced Approaches to Linguistic Data Mining Authors: Ishibuchi, Hisao, Nakashima, Tomoharu, Nii, Manabu (2005) Springer
• Explainable Fuzzy Systems: Paving the Way from Interpretable Fuzzy Systems to Explainable AI Systems, Alonso Moral, J.M., Castiello, C., Magdalena, L., Mencar, C. (2021) Springer
• Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar (2021) Self-Edited
• Janusz Kacprzyk, Slawomir Zadrozny, Guy De Tré: Fuzziness in database management systems: Half a century of developments and future prospects. Fuzzy Sets Syst. 281: 300-307 (2015)
• H. Bustince, F. Herrera, J. Montero. Fuzzy Sets and Their Extensions: Representation, Aggregation and Models. Springer Berlin, Heidelberg, 2008. ISBN: 978-3-540-73722-3
• C. Kahraman. Fuzzy Multi-Criteria Decision Making: Theory and Applications with Recent Developments. Springer New York, NY, 2008. ISBN: 978-0-387-76812-0

• Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Computation, David B Fogel, Derong Liu, James M Keller (2016) Wiley
• Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing, Nazmul Siddique, Hojjat Adeli (2013) Wiley
• Handbook of Computational Intelligence, Janusz Kacprzyk Witold Pedrycz  (2015)
• Understanding artificial intelligence ethics and safety: A guide for the responsible design and implementation of AI systems in the public sector, D. Leslie (2019) The Alan Turing Institute

• Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores
• Plataforma de Recursos de Apoyo a la Docencia - PRADO
• Departamento de Ciencias de la Computación e Inteligencia Artificial

• MD01 Lección magistral/expositiva 
• MD02 Resolución de problemas y estudio de casos prácticos 
• MD03 Prácticas de laboratorio 

La evaluación consistirá de varias pruebas realizadas durante el curso:

La evaluación extraordinaria se realizará mediante un examen que tendrá 2 partes: una primera parte con cuestiones relativas a lo indicado en la prueba P1 de la convocatoria ordinaria (60%), y una segunda parte con cuestiones relativas a la prueba P2 de la convocatoria ordinaria (40%). El estudiante podrá optar por realizar únicamente una de las partes, y conservar la nota alcanzada en la convocatoria ordinaria.

La evaluación extraordinaria se realizará mediante un examen que tendrá 2 partes: una primera parte con cuestiones relativas a lo indicado en la prueba P1 de la convocatoria ordinaria (60%), y una segunda parte con cuestiones relativas a la prueba P2 de la convocatoria ordinaria (40%).

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).