CURSO UNIVERSITARIO TÉCNICO EN INTELIGENCIA ARTIFICIAL III + 2,4 Créditos ECTS

Vinculada a la Unidad de Competencia:

• UC0117_2: Mantener sistemas mecánicos hidráulicos y neumáticos de líneas de producción automatizada

De la cualificación profesional IMA041_2: Mantenimiento y montaje mecánico de equipo industrial.

Objetivos

Aplicar técnicas de predicción de tendencias o la organización y descripción de datos, codificando sistemas de redes neuronales en programas mediante técnicas y algoritmos al efecto.

Contenidos

Módulo 1. Redes neuronales
1.1 Predicción de tendencias/organización y descripción de datos mediante redes neuronales usando Programación Orientada a Objetos
1.2. Modelos de aprendizaje de las redes neuronales (RRN)
1.3. Supervisados y no supervisados
1.4. Métodos de cuantización (‘clustering’) de vectores. ‘K‐means’

Módulo 2. Técnicas de entrenamiento de algoritmos
2.1. Técnicas de representación del espacio de entrada de las muestras de entrenamiento
2.2. Mapas auto-organizativos de Kohonen SOM (‘SOM‐Self‐Organizing Maps)
2.3. Técnicas de simulación de redes asociativas
2.4. ‘Programación de Redes de Hopfield’, redes recursivas recurrentes
2.5. Técnicas de resolución de problemas no linealmente separables
2.6. Programación de Redes Neuronales con Perceptrones Multicapa

Módulo 3. Análisis de datos mediante el uso de librerías
3.1. Técnicas estadísticas de análisis de datos usando Programación Orientada a Objetos en Inteligencia Artificial
3.2. Librerías de análisis de datos tales como ‘Numpy’ en ‘Jupyter u otras Librerías de manipulación y análisis tales como ‘Pandas’ u otras
3.3. Librerías de representación tipo ‘Plotter’ tales como ‘Matplotlib’, ‘Seaborn’ u otras
3.4. Programación de rectas y curvas de regresión de los datos de ajuste

Módulo 4. Técnicas de uniformización y filtrado de datos
4.1. Mecanismos de integración, unificación y uniformización de datos e instancias provenientes de distintas fuentes
4.2. Técnicas de filtrado de repositorios de información para descubrir y extraer información
4.3. ‘Knowledge Discovery in Databases’ (KDD), Análisis del lenguaje natural (NLP) y de las redes sociales
4.4. Clasificación, regresión lineal, regresión logística, uso de árboles de decisión, uso de polinomios y variabilidad
4.5. Inteligencia Artificial y Ética III. Futuro de la Inteligencia Artificial