Competencias propias de la asignatura:

1.-Comprender los fundamentos de la ayuda a la decisión.

2.-Aplicar las diferentes estrategias en la toma de decisiones bajo condiciones de incertidumbre.

3.-Discutir la naturaleza de las distintas formas de aproximarse al problema de la toma de decisiones en contextos y aplicaciones diversas.



Competencias transversales:

1.-Aprendizaje autónomo (grado alto)

2.-Capacidad de innovación y creatividad (grado alto)

0.-Introducción al problema de la toma de decisiones y presentación general de las técnicas a utilizar

1.-Redes Bayesianas

1.1.-Metodo Bayesiano ingenuo

1.2.-Noción de grafo y su aplicación a las redes bayesianas

1.3.-Inferencia con Redes Bayesianas

1.4.-Necesidad del aprendizaje automático para la construcción de una red bayesiana

2.-Diagramas de influencia y arboles de decisión

2.1.-Definición y construcción de diagramas de influencia y arboles de decisión

2.2.-Análisis de Coste/Utilidad

2.3.-Análisis de Sensibilidad

3.-Aprendizaje automático

3.1.-Redes Neuronales supervisadas

3.2.-Redes Neuronales no supervisadas

3.3.-Algoritmos de Optimización y algoritmos genéticos

3.4.-Algoritmo NEAT, neuro evolución.

3.5.-Clasificadores y Metaclasificadores: ID3, Adaboost.

3.6.-Deep Learning, Aprendizaje Profundo. Redes Neuronales Convolucionales.

Autoencoders, Transformers y LSTM. Características de las técnicas de aprendizaje especiales

de este tipo de redes neuronales artificiales: Algoritmos de regulización L1, L2, dropout y

modificaciones de las funciones de activación. Concepto de interpretabilidad en redes

Se podrá lograr una guía docente más detallada mediante la plataforma Moodle.

1.-Se realizará un trabajo a lo largo de la asignatura que cubre los siguientes aspectos (7.25 puntos):

1.1.-Realización de un Estado del Arte o Técnica

1.2.-Implementación de diferentes algoritmos para un mismo problema

1.3.-Comparativa de las diferentes alternativas para solucionar un mismo problema

2.-Realización de practicas y series de ejercicios. 2.75 puntos

Se aplicará la calificación de no presentado a aquella persona que no haya realizado y entregado en plazo una cantidad de trabajos y prácticas equivalente al 55% de la nota total.

La evaluación de todos estos puntos se realizarán de forma continua según la guía docente detallada proporcionada desde Moodle. Debido a que toda la evaluación se basa en entregas vía egela de forma telematica, no se espera que se deba hacer adaptación alguna en caso de emergencia sanitaria.

Se dispondrán de apuntes mediante la plataforma moodle.

Bibliografía básica

1.-S. Ríos, C. Bielza, A. Mateos. Fundamentos de los sistemas de ayuda a la decisión. Ra-Ma, 2002.

2.-Francisco Javier Díez Vegas, Teoría probabilista de la decisión en medicina. Informe Técnico CISIAD-07-01 UNED, Madrid 2007.

3.-Francisco Javier, Díez, Introducción a los modelos gráficos probabilistas, Departamento de Inteligencia Artificial, Uned, Octubre de 2007

4.-REDES NEURONALES Y SISTEMAS BORROSOS.

MARTIN DEL BRIO, BONIFACIO / SANZ MOLINA, ALFREDO

2006, ISBN978-84-7897-743-7, RA-MA

Bibliografía de profundización

- Alex Berson and Stephen J. Smith. Data Warehousing, Data Mining & OLAP. McGraw-Hill, 2001
- M.S. Silver. Systems that support decision makers: description and analysis. Wiley, 1991.
- George Marakas. Decision Support Systems. Prentice Hall, 2001.
- Sistemas Expertos y Modelos de Redes Probabilisticas, Enrique Castillo y otros, Universidad de Cantabria.
- Business intelligence: Técnicas de análisis para la toma de decisiones. Elizabeth Vitt, Michael Luckevich, Stacia Misner. McGraw-Hill 2003.

Revistas

Decission Support Systems
IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
International Journal of Neural Systems
IEEE Computational Intelligence Magazine
JOURNAL OF MACHINE LEARNING RESEARCH