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

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.

• 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.

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.

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

• 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.

• MD01 Lección magistral/expositiva 
• MD02 Resolución de problemas y estudio de casos prácticos 
• MD03 Prácticas de laboratorio 
• MD04 Seminarios 
• MD05 Análisis de fuentes y documentos 
• MD06 Realización de trabajos en grupo 
• MD07 Realización de trabajos individuales 

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%.

• 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.

• 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 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).