Guía docente de Soft Computing: Conjuntos y Sistemas Difusos (M51/56/3/26)
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
Escuela Internacional de Posgrado
Semestre
Primero
Créditos
4
Tipo
Optativa
Tipo de enseñanza
Presencial
Profesorado
- Francisco Javier Cabrerizo Lorite
- Alberto Luis Fernández Hilario
- Antonio González Muñoz
- Nicolás Marín Ruiz
Horario de Tutorías
Francisco Javier Cabrerizo Lorite
EmailNo hay tutorías asignadas para el curso académico.
Alberto Luis Fernández Hilario
EmailNo hay tutorías asignadas para el curso académico.
Antonio González Muñoz
EmailNo hay tutorías asignadas para el curso académico.
Nicolás Marín Ruiz
EmailNo hay tutorías asignadas para el curso académico.
Breve descripción de contenidos (Según memoria de verificación del Máster)
- 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).
Prerrequisitos y/o Recomendaciones
Sin requisitos previos.
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.
Competencias Generales
- CG01. Capacidad de acceso y gestión de la información
- CG02. Capacidad de análisis y síntesis
- CG03. Capacidad de organización y planificación
- CG04. Capacidad emprendedora
- CG05. Capacidad para tomar decisiones de forma autónoma
- CG06. Capacidad de uso de una lengua extranjera
- CG07. Motivación por la calidad
- CG08. Capacidad para trabajar en equipo
Competencias Específicas
- CE06. Capacidad para modelar y resolver problemas reales o académicos mediante tecnologías inteligentes o de inteligencia computacional.
Competencias Transversales
- CT01. Ser consciente de la importancia del desarrollo sostenible y demostrar sensibilidad medioambiental.
- CT02. Ser consciente del derecho a la no discriminación y al acceso universal al conocimiento de las personas con discapacidad.
Resultados de aprendizaje (Objetivos)
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.
Programa de contenidos Teóricos y Prácticos
Teórico
- 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.
Práctico
- Aproximaciones básicas con SCBRDs: Temas 1, 2 y 3.
- Aplicaciones en toma de decisiones: Tema 4.
- Consulta flexible de bases de datos: Tema 5.
Bibliografía
Bibliografía fundamental
- 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
Bibliografía complementaria
- 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
Enlaces recomendados
Metodología docente
- MD01 Lección magistral/expositiva
- MD02 Resolución de problemas y estudio de casos prácticos
- MD03 Prácticas de laboratorio
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)
Evaluación Ordinaria
La evaluación consistirá de varias pruebas realizadas durante el curso:
| Prueba | Peso Total | Contenidos |
|---|---|---|
| P1: Examen escrito | 70% | Temas 1 y 2 (25%), Tema 3 (5%), Tema 4 (15%), Tema 5 (25%) |
| P2: Actividad práctica | 30% | Temas 2 y 3 (20%), Tema 4 (10%) |
Evaluación Extraordinaria
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 (70%), y una segunda parte con cuestiones relativas a la prueba P2 de la convocatoria ordinaria (30%). El estudiante podrá optar por realizar únicamente una de las partes, y conservar la nota alcanzada en la convocatoria ordinaria.
Evaluación única final
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 (70%), y una segunda parte con cuestiones relativas a la prueba P2 de la convocatoria ordinaria (30%).