Esta asignatura pertenece al módulo “Talleres” formado por las siguientes asignaturas:

Taller I: Diseño Óptimo de Experimentos

Taller III: Detección y medida del cambio en estudios de autopercepción

Taller IV: Diseños de investigación y análisis de datos en psicología

Taller V: LaTeX y Programas de Cálculo Simbólico

Taller VI: Diseño de Páginas Web.

Su carácter es optativo y su docencia está programada en el primer semestre del 4º curso. El bloque formativo se complementa con una asignatura de 1º (Investigación Operativa I) y otras dos en el 2º curso (Investigación Operativa II e Investigación Operativa III). Sus contenidos son necesarios para continuar con la formación en las técnicas de optimización y predicción centrándose esta asignatura fundamentalmente en las técnicas heurísticas Redes Neuronales Artificiales y Algoritmos Genéticos.

En todas aquellas profesiones en las que sea necesario optimizar recursos, minimizar costes, planificación y gestión de la producción e inventarios,… como por ejemplo en Ingeniería, Operaciones de transporte, Logística, Sector de las Telecomunicaciones, Sector de la Energía, Baca, Ciencias de la Salud, Planificación y Gestión de la producción, etc.

TEMA 1. Redes Neuronales Artificiales. El Perceptrón multicapa. Algoritmos de aprendizaje. Entrenamiento de la red neuronal. Tasa de aprendizaje y factor momento. Función de activación de las neuronas de la capa oculta y de la capa de salida. Redes neuronales artificiales de Kohonen y de Hopfield. Aplicación de las redes neuronales al problema del Viajante de Comercio (TSP) y a la predicción. Función de Base Radial (RBF). Aplicaciones. Redes neuronales artificiales vs técnicas paramétrica y no paramétricas. Lenguajes de programación.

TEMA 2. Algoritmos Genéticos. Codificación de las variables para trabajar con algoritmos genéticos. Evaluación y selección de los cromosomas (soluciones). Operadores genéticos. Aplicación de los algoritmos genéticos al problema del Viajante de Comercio (TSP) y al problema de inventarios. Aplicación de los algoritmos genéticos al diseño de Redes Neuronales Artificiales. Lenguajes de programación.

PRÁCTICA 1: Manejo del Perceptrón.

PRÁCTICA 2: Manejo de la Función de Base Radial (RBF).

PRÁCTICA 3: Redes neuronales artificiales vs técnicas paramétrica y no paramétricas.

PRÁCTICA 4: Aplicación de los algoritmos genéticos/redes neuronales al problema del Viajante de Comercio (TSP).

• Adquirir la capacidad de comunicación con equipos multidisciplinares en lo que el uso de la Investigación Operativa y las técnicas de predicción jueguen un papel relevante a la hora de tomar decisiones.
• Capacitar para la utilización de los conocimientos teóricos y prácticos adquiridos en la definición y planteamiento de problemas y en la búsqueda de sus soluciones tanto en contextos académicos como profesionales.
• Adquirir la capacidad de adaptación a nuevas situaciones que puedan requerir la mejora o modificación de las técnicas usadas.
• Capacidad de abstracción.
• Conocimiento, identificación y selección de fuentes relacionadas con las redes neuronales y los algoritmos genéticos dentro de la Investigación Operativa y las técnicas de predicción.
• Extracción de conclusiones y redacción de informes.

INSTRUMENTALES:

Capacidad de análisis y síntesis.

Capacidad de organización y planificación

Capacidad de gestión de la información.

Resolución de problemas.

Interpretación de resultados a partir de modelos de Investigación Operativa.

Elaboración de previsiones y escenarios.

Toma de decisiones.

INTERPERSONALES:

Trabajo en equipo.

Razonamiento crítico.

Compromiso ético

Habilidades en las relaciones interpersonales.

Tratamiento de conflictos.

SISTÉMICAS:

Aprendizaje autónomo

Motivación por la calidad

Creatividad

Espíritu emprendedor

Capacidad innovadora

Gestión de proyectos

“Investigación Operativa”. Martín Q. (2003): Pearson Education. Madrid. ISBN: 84-205-4105-2

“Investigación Operativa. Problemas y ejercicios resueltos”. Martín Q., Santos M. T., Paz, Y.R. (2005) Pearson  Education. ISBN: 84-205-4466-3.

“Redes Neuronales Artificiales. Fundamentos, modelos y aplicaciones”. Hilera, J. R. y Martínez V. J. (2005): Ed. Ra-ma.

“Genetic algoritms in search, optimization, and machine learning” David E. Goldberg. Ed. Addison-Wesley (1997)

La evaluación será el resultado de una ponderación basada en el desarrollo de cuestiones y ejercicios planteados a los alumnos durante el curso, las exposiciones en clase, las prácticas, de trabajos y de la nota obtenida en un examen escrito de teoría, problemas y prácticas.

Las cuestiones y ejercicios planteados a los alumnos junto con la exposición de éstos durante el curso supondrán hasta un 20% de la nota final. La asistencia y realización de prácticas-seminarios en Aula de Informática supondrá hasta un 10%.

La realización de trabajos supondrá hasta un 20%.

La evaluación final será por medio de prueba escrita que constará de una parte teórica que supondrá hasta un 20% de la nota final, y de una parte práctica (resolución de problemas) a la que corresponderá hasta el 30%.

Pruebas escritas y exposiciones orales en clase:

• Se propondrán cuestiones (Test), ejercicios y prácticas para resolver que el alumno debe entregar al profesor (ver STUDIUM) para su evaluación continua, realizando exposiciones orales de los trabajos presentados.
• La prueba escrita final se realizará en la fecha prevista en la planificación docente.

Se recomienda la asistencia y participación activa en todas las actividades programadas y el uso de las tutorías, así como estudiar la asignatura de forma regular desde el principio de curso y consultar al profesor las dudas que se planteen en cada momento. Las pruebas prácticas realizadas en el aula de informática se contarán como parte del examen (25%).

Se realizará un examen de recuperación en la fecha prevista en la planificación docente.

Para dicha recuperación el alumno mantendrá la calificación obtenida en la evaluación continua (incluida la calificación de las pruebas prácticas realizadas en el aula de informática).