Guía docente de Inteligencia Artificial en la Investigación Operativa (2231137)

• Tener cursada la asignatura de "Cálculo de Probabilidades I y II"

• Tener conocimientos adecuados sobre:

  • Fundamentos de programación: asignaturas "Informática I" e "Informática II".
  • Competencias básicas sobre el lenguaje R y plataforma RStudio.

• Simulación. Simulación de sistemas.
• Teoría de grafos. Técnicas de búsqueda. Planificación.
• Algoritmos bioinspirados para optimización

• En relación a la breve lista de la Memoria de Grado:
  • Utilizar técnicas básicas de optimización y manejar diferentes algoritmos para la resolución de problemas de optimización.
  • Conocer las técnicas de simulación de modelos y analizar problemas reales utilizando técnicas de simulación.
  • Manejar programas de ordenador para la resolución de problemas de optimización y aplicación en casos prácticos.

• Se pueden precisar algo más de la siguiente manera (en relación con los anteriores):
  • Haber adquirido capacidad para formular y resolver problemas mediante modelos de grafos.
  • Conocer las técnicas de Simulación de Modelos y analizar problemas reales utilizando dichas técnicas.
  • Conocer las principales áreas y técnicas actuales dentro del campo de la Inteligencia Artificial.
  • Saber cómo utilizar técnicas básicas de la Inteligencia Artificial para problemas de optimización combinatoria.
  • Manejar programas de ordenador para la resolución de diversos problemas de Investigación Operativa con técnicas de la Inteligencia Artificial y su aplicación en casos prácticos.

Parte I. Simulación e Introducción a Teoría de Grafos

• Tema 1. Introducción a la Simulación
  • Definición de sistema real, modelo y simulación.
  • Ventajas e inconvenientes de la simulación.
  • Aplicaciones de la Simulación.
  • Ejemplos de simulación

• Tema 2. Números aleatorios. Generación de números pseudoaleatorios
  • Definición de números aleatorios y pseudoaleatorios.
  • Propiedades deseables de un generador de números pseudoaleatorios.
  • Métodos de generación de números pseudoaleatorios:
  • Método de los cuadrados medios, métodos congruenciales.
  • Medidas estadísticas de calidad de un generador de números pseudoaleatorios uniformes:
  • Contraste chi-cuadrado. Contraste de Kolmogorov-Smirnov. Contaste de rachas ascendentes.

• Tema 3. Generación de valores de variables aleatorias
  • Métodos para generar valores de variables aleatorias discretas: Transformación cuantil.
  • Método de aceptación y rechazo. Método de composición.
  • Generación de distribuciones discretas: Uniforme, Bernoulli, Binomial, Poisson, Binomial negativa e Hipergeométrica.
  • Métodos para generar valores de variables aleatorias continuas: Método de transformación inversa. Método de aceptación y rechazo.
  • Generación de distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, Pareto.
  • Simulación de vectores aleatorios: Método de las distribuciones condicionadas. Método de aceptación/rechazo. Métodos específicos para simular la normal multivariante.

• Tema 4. Simulación de Monte Carlo
  • Integración Monte Carlo.
  • Técnicas de reducción de la varianza.

• Tema 5. Simulación de sistemas
  • Fenómenos de espera.
  • Fiabilidad.
  • Inventarios.

• Tema 6. Introducción a la Teoría de grafos
  • Conceptos básicos.
  • Grafos orientados y no orientados.
  • Representaciones matriciales: Matrices de adyacencia y de incidencia

Parte II. Métodos y técnicas de la Inteligencia Artificial

• Tema 1. ¿Qué es la Inteligencia Artificial?
  • Caracterización de la Inteligencia Artificial.
  • Historia y evolución.
  • Metas y objetivos actuales en Inteligencia Artificial.
  • Áreas, métodos y modelos más relevantes.

• Tema 2: Técnicas de Búsqueda
  • Introducción a la representación sobre espacio de estados
  • Búsqueda sin información
  • Técnicas de búsqueda heurística

• Tema 3: Optimización combinatoria mediante metaheurísticas
  • Introducción a las técnicas basadas en metaheurísticas
  • Técnicas basadas en trayectorias: búsqueda local y enfriamiento simulado
  • Técnicas basadas en poblaciones: algoritmos bioinspirados

Parte I. Simulación e Introducción a Teoría de Grafos

1. Módulo 1. Números aleatorios, simulación de variables y vectores aleatorios con R.
2. Módulo 2. Simulación de sistemas con R.

Parte II. Métodos y técnicas de la Inteligencia Artificial

1. Módulo 1. Primeros pasos en la Inteligencia Artificial
2. Módulo 2. Diseño de modelos para problemas de búsqueda
3. Módulo 3. Aplicación de técnicas de optimización en R.

• Parte I: Simulación e Introducción a Teoría de Grafos
  • Braun, W. J. & Murdoch, D. J., A first course in statistical programming with R. Cambridge, 2007.
  • Cao Abad, R., Introducción a la Simulación y a la Teoría de Colas. Netbiblo, 2002.
  • Gentle, J.E., Random Number Generation and Monte Carlo methods. Springer, 2003.
  • Martín Martín, Q., Investigación Operativa. Prentice Hall, 2003.
  • Ríos Insua, S., Mateos, A., Bielza, M. C. y Jiménez, A. Investigación Operativa. Modelos determínisticos y estocásticos. Centro de Estudios Ramón Areces, 2004.
  • Ripley, B.D., Stochastic Simulation. John Wiley, 2006.
  • Rizzo, M.L., Statistical Computing with R. Chapman and Hall/CRC, 2007.
  • Rubinstens, R. Y. and Krose, D.P., Simulation and the Monte Carlo method. John Wiley&Sons, 2017.
  • Taha, H. A., Investigación de Operaciones. Prentice Hall, 2004.

• Parte II: Métodos y técnicas de la Inteligencia Artificial
  • Stuart J. Russell & Peter Norvig: “Artificial Intelligence, A Modern Approach,” 4th edition, Prentice Hall, 2020. https://www.ingebook.com/ib/NPcd/IB_Escritorio_Visualizar?cod_primaria=1000193&libro=2864
  • A. Duarte Muñoz, J.J. Pantrigo Fernández, M. Gallego Carrillo: "Metaheurísticas", 1ª edición, Dykinson, 2007. https://elibro.net/es/ereader/ugr/35696
  • P. Cortez, “Modern Optimization with R”. Springer 2014
  • E.D. Taillard, "Design of Heuristic Algorithms for Hard Optimization". Springer 2022. https://link.springer.com/book/10.1007/978-3-031-13714-3

• Parte I: Simulación e Introducción a Teoría de Grafos
  • Ross, S.M., A Course in Simulation. Macmillan, 1990.
  • Rubinstein, R.Y. and Melamed, B., Modern Simulation and Modeling. Wiley, 1998.
  • Winston, W. L., Investigación de Operaciones. Aplicaciones y algoritmos. Grupo Editorial Americana, 1994.
• Parte II: Métodos y técnicas de la Inteligencia Artificial
  • Nils J. Nilsson: “The Quest for Artificial Intelligence,” Cambridge University Press, 2009
  • Melanie Mitchell: "Artificial Intelligence: A guide for thinking humans", Picador Press, 2020
  • Stuart Rusell: "Human Compatible: AI and the problem of control", Penguin Books, 2020
  • Russell C. Eberhart & Yuhui Sui: “Computational Intelligence: Concepts to Implementation,” Morgan Kaufmann, 2007
  • George F. Luger: “Artificial Intelligence: Structures and strategies for complex problem solving”, 6th edition, Addison Wesley, 2008.
  • E. Baquela, A. Redchuk. “Optimización Matemática con R. Volumen I: Introducción al modelado y resolución de problemas”. CRAN (Open Book) 2013.

• Elements on AI, course of Artificial Intelligence, https://www.elementsofai.com/es/
• Medium Blog on AI and Data Science, https://medium.com/
• Guía Básica de la IA (Google): https://atozofai.withgoogle.com/intl/es/
• Cursos para ampliar el conocimiento de la IA (Secretaría de estado en digitalización e IA).

• MD01. MD1. Lección magistral/expositiva 
• MD02. MD2. Sesiones de discusión y debate 
• MD03. MD3. Resolución de problemas y estudio de casos prácticos 
• MD04. MD4. Prácticas en sala de informática 
• MD05. MD5. Seminarios 
• MD06. MD6. Ejercicios de simulación 
• MD07. MD7. Análisis de fuentes y documentos 
• MD08. MD8. Realización de trabajos en grupo 
• MD09. MD9. Realización de trabajos individuales 

• INFORMACIÓN GENERAL:
  • Todo lo relativo a la evaluación se regirá por la Normativa de evaluación y calificación de los estudiantes vigente en la Universidad de Granada, que puede consultarse en http://secretariageneral.ugr.es/bougr/pages/bougr112/_doc/examenes/
  • El sistema de calificación empleado será el establecido en el artículo 5 del Real Decreto 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en todo el territorio nacional.
  • Los criterios de evaluación se indicarán en los Programas y Guías Didácticas correspondientes a cada asignatura, garantizando así la transparencia y objetividad de los mismos.
  • De acuerdo con el Real Decreto 1125/2003, la valoración del nivel de adquisición de las competencias generales y específicas de cada materia se llevará a cabo de manera continua a lo largo de todo el periodo académico.
  • La calificación final será la suma ponderada de las valoraciones obtenidas como resultado de las diferentes pruebas y participación, según los porcentajes especificados a continuación:

• Parte I, Simulación e Introducción a Teoría de Grafos (50% de la calificación final):
  • Parte teórica: Pruebas específicas de conocimientos y resolución de ejercicios, basadas en un examen escrito. 70% de la calificación. Si la nota obtenida está por debajo de 5 puntos sobre 10, se sesgará la misma a 0 puntos sobre 10.
  • Parte práctica (trabajos y seminarios): Abarca todos los trabajos y seminarios realizados por los estudiantes a lo largo del curso (ejercicios, prácticas en ordenador, etc.), tanto de carácter individual como en grupo. Se valorará además de los propios trabajos, la presentación y defensa de los mismos. 25% de la calificación. No es necesario obtener una nota mínima en este apartado.
  • Participación, actitud y esfuerzo personal de los alumnos en todas las actividades formativas programadas, así como una autoevaluación razonada. 5% de la calificación. No es necesario obtener una nota mínima en este apartado.

• Parte II, Métodos y Técnicas de Inteligencia Artificial (50% de la calificación final):
  • Parte teórica: Pruebas específicas de conocimientos y resolución de ejercicios, basadas en evaluación continua mediante diversas pruebas escritas tipo multi-pregunta, así como la presentación de seminarios sobre temáticas relacionadas con la Inteligencia Artificial: 50% de la calificación. Si la nota obtenida está por debajo de 5 puntos sobre 10, se sesgará la misma a 0 puntos sobre 10.
  • Parte práctica (trabajos y ejercicios en laboratorio): Abarca todos los proyectos realizados por los estudiantes a lo largo del curso, tales como ejercicios en clase, prácticas en ordenador, memorias de actividad etc. En el caso particular de la entrega de memorias de trabajo, se podrá exigir la realización de una breve defensa o prueba escrita para validar su evaluación. 45% de la calificación. No es necesario obtener una nota mínima en este apartado.
  • Participación, actitud y esfuerzo personal de los alumnos en todas las actividades formativas programadas, así como una autoevaluación razonada. 5% de la calificación. No es necesario obtener una nota mínima en este apartado.

La evaluación se realizará de acuerdo a los dos apartados abajo indicados, cada uno de los cuales implicará el 50% de la calificación final

• Parte I, Simulación e Introducción a Teoría de Grafos (50% de la nota):
  • Un examen escrito (evaluado de 0 a 10) que incluirá preguntas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta misma guía docente.
• Parte II, Métodos y Técnicas de Inteligencia Artificial (50% de la nota):
  • Un examen escrito (evaluado de 0 a 10) que incluirá preguntas tipo test, de redacción breve, y/o resolución de ejercicios, que garanticen que el /la estudiante ha adquirido la totalidad de las competencias descritas en esta misma guía docente. Esta parte corresponderá con el 70% de la calificación.
  • Un examen con cuestiones de respuesta corta y/o tipo test (evaluado de 0 a 10) sobre cuestiones aplicadas de la materia impartida. Esta parte corresponderá con el 30% restante de la calificación.

Para superar la asignatura de manera global será obligatorio que el estudiante supere ambas partes de manera independiente. Esto implica alcanzar al menos 5 puntos sobre 10 (sumando todos los apartados) en cada una de ellas, no siendo válida la nota promedio. En caso que no se alcance la calificación mínima exigida en alguna de las dos partes, se le asignará al estudiante como calificación final el mínimo entre 4.9 y la nota obtenida en la asignatura.

De acuerdo a lo establecido en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada vigente, la evaluación será preferentemente continua. No obstante, el estudiante que no pueda acogerse a dicho sistema por motivos laborales, estado de salud, discapacidad, programas de movilidad o cualquier otra causa debidamente justificada podrá acogerse a la evaluación única final. Para ello deberá solicitarlo al Director del Departamento en las dos primeras semanas de impartición de la asignatura o, excepcionalmente, en las dos primeras semanas tras la matriculación en la asignatura.

Esta modalidad de evaluación se realizará en un único acto académico en la fecha establecida por el Centro y consistirá en:

• Parte I, Simulación e Introducción a Teoría de Grafos:
  • Un examen escrito (evaluado de 0 a 10) que incluirá preguntas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta misma guía docente.

• Parte II, Métodos y Técnicas de Inteligencia Artificial:
  • Un examen escrito (evaluado de 0 a 10) que incluirá preguntas tipo test, de redacción breve, y/o resolución de ejercicios, que garanticen que el /la estudiante ha adquirido la totalidad de las competencias descritas en esta misma guía docente. Esta parte corresponderá con el 70% de la calificación.
  • Un examen de respuesta corta (evaluado de 0 a 10) sobre cuestiones aplicadas de la materia impartida. Esta parte corresponderá con el 30% restante de la calificación.

Del mismo modo que en la evaluación estándar, para superar la asignatura de manera global será obligatorio que el estudiante supere ambas partes de manera independiente. Esto implica alcanzar al menos 5 puntos sobre 10 (sumando todos los apartados) en cada una de ellas, no siendo válida la nota promedio. En caso que no se alcance la calificación mínima exigida en alguna de las dos partes, se le asignará al estudiante como calificación final el mínimo entre 4.9 y la nota obtenida en la asignatura.

Siguiendo las recomendaciones de la CRUE y del Secretariado de Inclusión y Diversidad de la UGR, los sistemas de adquisición y de evaluación de competencias recogidos en esta guía docente se aplicarán conforme al principio de diseño para todas las personas, facilitando el aprendizaje y la demostración de conocimientos de acuerdo a las necesidades y la diversidad funcional del alumnado.

La asistencia a clases de teoría no es obligatoria, pero se recomienda la asistencia para facilitar la asimilación de los conceptos que se imparten (siempre que se realicen de forma presencial o síncrona). La asistencia a las clases de prácticas y seminarios es obligatoria ya que forman parte de la evaluación continua (siempre que se realicen de forma presencial o síncrona).

• Plataforma de recursos de apoyo a la docencia (PRADO2) en https://prado.ugr.es

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).

Sí, R