CG_ID3-Comprender y ser capaz de aplicar las herramientas básicas de investigación en la ingeniería de datos y la inteligencia artificial.
CG_ID5-Poseer conocimientos racionales y críticos en el estudio de la ingeniería de datos y la inteligencia artificial.
CG_ID6-Conocer los métodos, técnicas e instrumentos de análisis para el estudio de la ingeniería de datos y la inteligencia artificial.
CG_ID7-Capacidad para encontrar soluciones alternativas en el planteamiento de un problema o en la utilización de la ingeniería de datos y la inteligencia artificial.

CT_ID4-Desarrollar las aptitudes para el trabajo cooperativo y la participación en equipos, las habilidades de negociación e incorporar los valores de cooperación, esfuerzo, respeto y compromiso con la búsqueda de la calidad como signo de identidad.
CT_ID5-Utilizar un lenguaje inclusivo que respete las diversidades propias y características de las personas, y adquirir estrategias comunicativas orales y/o escritas eficaces para favorecer la transmisión del conocimiento.
CT_ID6-Analizar, razonar críticamente, pensar con creatividad y evaluar el propio proceso de aprendizaje discutiendo asertiva y estructuradamente las ideas propias y ajenas, ejerciendo auténtico espíritu de liderazgo.

CE_ID2-Capacidad de aplicar de forma metodológica técnicas propias de probabilidad y estadística para analizar y modelar fenómenos complejos y resolver problemas de optimización relacionados con la ingeniería de datos y la inteligencia artificial.
CE_ID4-Capacidad para comprender y aplicar de forma metodológica las técnicas y paradigmas de programación y algoritmia apropiadas para diseñar soluciones a problemas en el ámbito de la ingeniería de datos y la inteligencia artificial, determinando la idoneidad y complejidad de los algoritmos propuestos.
CE_ID23-Capacidad para emitir recomendaciones para la toma de decisiones a partir de los resultados obtenidos en los estudios basados en datos.

Sí (3 créditos). Clases magistrales.

No.

Sí (2 créditos). Resolución de problemas y ejercicios usando softwares básicos.

No.

No.

Sí (1 crédito).

No.

No.

No.

100%

2,4

3,6

2

Se introducirán al alumnado conocimientos y herramientas que podrán aplicar en el ámbito informático, destacando metodologías de programación lineal, no líneal, optimización en redes e introducción a la heurística matemática. Contenidos mínimos: 

1.- Modelización matemática de problemas de optimización. Software de optimización.

2.- Programación lineal.

3.- Programación lineal entera.

4.- Programación no lineal.

5.- Optimización en redes.

6.- Heurísticas para resolver problemas de optimización.

Se aconseja tener conocimientos de Fundamentos de Programación, Álgebra Lineal, y Tecnología de la Programación.

1.- Analizar e interpretar los resultados de un modelo de optimización.

2.- Conocer los ámbitos de aplicación donde aparecen problemas de optimización para la toma de decisiones.

3.- Modelizar un problema teniendo en cuenta el método más apropiado para resolverlo analizando su idoneidad y su complejidad.

4.- Realizar en equipo prácticas o problemas prácticos propuestos.

5.- Reconocer un problema de optimización, modelizarlo y saber resolverlo.

6.- Resolver problemas con el software adecuado analizando el problema y aplicando la solución.

1.- Modelización matemática de problemas de optimización. Software de optimización.

2.- Programación lineal:

 2.1.- Método Simplex.

 2.2.- Método Simplex Dual.

3.- Programación lineal entera:

 3.1.- Método de planos de corte.

 3.2.- Método de ramificación y acotación.

 3.3.- Método de ramificación y corte.

4.- Programación no lineal:

 4.1.- Optimalidad de Karush-Kuhn-Tucker.

 4.2.- Algoritmos de optimización sin restricciones sin diferenciación (algoritmos de comparación, coordenadas cíclicas, Neldermead, entre

otros).

 4.3.- Algoritmos de optimización sin restricciones con diferenciación: Newton y cuasi-Newton, descenso de gradiente, gradiente conjugado,

descenso de gradiente estocástico, Adam.

 4.4.- Optimización con restricciones: minimización secuencial no restringida.

5.- Optimización en redes:

 5.1.- Problema del árbol soporte de peso mínimo.

 5.2.- Problemas de camino mínimo.

 5.3.- Problemas de flujo óptimo.

 5.4.- Problemas de optimización de recorridos en redes.

6.- Heurísticas para resolver problemas de optimización.

Realización de una prueba final escrita: ponderación 60%. Será necesaria la obtención de una nota mínima de 4.00 sobre 10.00 para poder hacer media y superar la asignatura.
Entrega de ejercicios o problemas propuestos por el profesor: Ponderación 40%.
Se requerirá la nota media final de un 5.00 sobre 10.00 para poder superar la asignatura.

1.- Bazaraa, M.S., Jarvis, J.J., Sherali, H.D. (1998). Programación lineal y flujo en redes. Limusa
2.- Cormen, T.H., Leiserson, C.E., Rivest, R.L. (2009) Introduction to Algorithms. MIT Press, Cambridge Massachusetts.
3.- Hillier, F.S. & Lieberman, G.J. (2015). Introduction to Operations research. McGraw-Hill
4.- Kochendefer, A.J., & Wheeler, T.A. (2019). Algorithms for optimization. MIT Press
5.- Nocedal, J., & Wright, SJ. (2006). Numerical optimization. Springer
6.- Taha, H.A. (2012). Investigación en operaciones. Pearson

La ficha detallada se puede consultar en la sección de información docente de la Web de Facultad de Informática.

https://informatica.ucm.es/informacion-docente