Nombre: INTELIGENCIA ARTIFICIAL APLICADA
Código: 232209009
Carácter: Optativa
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 2º - Primer cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: ZAPATA PÉREZ, JUAN FRANCISCO
Área de conocimiento: Electrónica
Departamento: Electrónica, Tecnología de Computadores y Proyectos
Teléfono: 968326458
Correo electrónico: juan.zapata@upct.es
Horario de atención y ubicación durante las tutorias:
lunes - 09:00 / 12:00
ANTIGONES, planta 2, Despacho N11
miércoles - 09:00 / 12:00
ANTIGONES, planta 2, Despacho N11
Titulaciones:
Doctor en Ingeniero en la Universidad Politécnica de Cartagena (ESPAÑA) - 2002
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 6
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
Responsable de los grupos: G1
MOP7. Capacidad para la aplicación de algoritmos desarrollados con programación libre para casos prácticos de Ingeniería Naval. Conocimiento de las técnicas de recogida y tratamiento de datos (Big-Data).
Al finalizar la asignatura el estudiante será capaz de utilizar el lenguaje de programación Python y las librerías y frameworks de desarrollo más actuales para la implementación de aplicaciones de análisis intensivo de datos, incluyendo el desarrollo y ajuste de modelos de Machine Learning y Deep Learning en el ámbito de la ingeniería.
Introducción a plataformas de cálculo científico. Introducción a Phyton para análisis y ciencia de datos. Manipulación y análisis exploratorio de datos (EDA). Modelos de aprendizaje máquina básicos para regresión, clasificación y clustering. Deep learning. Tópicos específicos de aplicación en ingeniería. Ejemplos prácticos.<br><br>
Introducción a la IA
IA: Machine Learning
IA: Deep Learning
Proyectos: casos de estudio
Computación con Python
Se estudiará el lenguaje Python como herramienta para la realización de las prácticas y entendimiento de la teoría. Las prácticas serán guiadas constituida de varias sesiones donde se aplicarán técnicas Python para resolución de casos de aplicabilidad a Machine Learning.
Algoritmos Machine Learning
Se estudiarán los algoritmos mas utilizados en Machine Learning, como mejorarlos y como medir su rendimiento. Las prácticas serán guiadas y estarán constituidas por varias sesiones donde se aplicarán estas técnicas para la resolución de casos de estudio a la Ingeniería Naval y Oceánica.
Algoritmos Deep Learning
Se estudiarán los algoritmos mas utilizados en Deep Learning, como mejorarlos y como medir su rendimiento. Las prácticas serán guiadas y estarán constituidas por varias sesiones donde se aplicarán estas técnicas para la resolución de casos de estudio a la Ingeniería Naval y Oceánica.
Proyectos: casos de estudio
Diferentes casos de estudio en el ámbito de la Ingeniería Naval y Oceánica cuya resolución se obtendrá mediante Machine Learning y Deep Learning
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual en el apartado actúa sobre una emergencia, pestaña "guías técnicas", y en el que encontrarás instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás en el apartado actúa sobre una emergencia, recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
Computing with Python
AI: Machine Learning
AI: Deep Learning
Case Study Projects
The core idea of the course is to integrate theory and practice into a cohesive whole, with the intention that they become almost indistinguishable. The theoretical concepts will be introduced and explored through the resolution of practical case studies, where algorithmic solutions are presented in a natural and intuitive way.
Clase en aula convencional: teoría, problemas, casos prácticos, seminarios, etc.
Clases teóricas/prácticas en el aula
32
100
Clase en aula de informática: prácticas.
Clases teóricas/prácticas en el aula
28
100
Actividades de evaluación final y continua fuera de horario lectivo.
Actividades de evaluación final
2
100
Tutorías.
Tutorías presenciales u online
2
50
Trabajo del estudiante: estudio o realización de trabajos individuales o en grupo.
Dedicación al estudio o a la realización de trabajos teóricos/prácticos
116
0
Pruebas evaluación individual escritas/orales
Pruebas de evaluación individual escritas/orales (40%)
Actividad de evaluación desarrollada durante el periodo docente (evaluación continua) mediante dos pruebas parciales presenciales en aula de informática:
Parcial 1 (20%): realizado a mitad del periodo docente.
Parcial 2 (20%): realizado al final del periodo docente.
Esta actividad mantendrá una ponderación del 40% tanto en convocatoria ordinaria como extraordinaria, mediante dos pruebas equivalentes (20%+20%) en el mismo formato.
40 %
Resolución de casos, cuestiones teóricas, ejercicios prácticos o problemas propuestos
Resolución de casos prácticos (20%)
Actividad de evaluación desarrollada durante el periodo docente (evaluación continua). Resolución individual de un caso de estudio práctico seleccionado de entre los notebooks trabajados a lo largo de las sesiones de prácticas, a entregar al final del periodo docente a través del aula virtual. Los criterios de evaluación se comunicarán al anunciar la actividad.
Esta actividad mantendrá una ponderación del 20% tanto en convocatoria ordinaria como extraordinaria, mediante una entrega equivalente en el aula virtual.
20 %
Trabajos e informes individuales o en grupo (puede incluir exposición y defensa)
Trabajos e informes individuales (40%)
Actividad de evaluación desarrollada durante el periodo docente (evaluación continua). Resolución individual y exposición de un caso de estudio práctico no visto previamente en clase, a entregar y defender al final del periodo docente. El estudiante deberá presentar y explicar el proceso seguido para su resolución. Los criterios de evaluación se comunicarán al anunciar la actividad.
Esta actividad mantendrá una ponderación del 40% tanto en convocatoria ordinaria como extraordinaria, mediante una entrega y exposición equivalentes.
40 %
Si un estudiante se presenta a una actividad del sistema de evaluación final debe renunciar a la calificación obtenida en dicha actividad anteriormente.
Autor: Russell, Stuart
Título: Artificial Intelligence: a modern approach
Editorial: Pearson
Fecha Publicación: 2021
ISBN: 9781292401133
Autor: Johansson, R.
Título: Numerical Python: A Practical Techniques Approach with Examples in Python
Editorial: Apress
Fecha Publicación:
ISBN: 1484205545
Autor: Christian Hill
Título: Learning Scientific Programming with Python
Editorial: Cambridge University Press
Fecha Publicación: 2020
ISBN: 978-1108745918
Autor: Géron, Aurélien,
Título: Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems /
Editorial:
Fecha Publicación:
ISBN: 9781492032595|
Autor: Xiaofeng Li, Fan Wang
Título: Artificial Intelligence Oceanography
Editorial: Springer Singapore
Fecha Publicación: 2023
ISBN: 978-981-19-6374-2
Autor: Eli Stevens, Luca Antiga, Thomas Viehmann
Título: Deep Learning with PyTorch
Editorial: Manning Publications Co.
Fecha Publicación: 2020
ISBN: 9781617295263
Recursos en red:
- AI & Machine Learning: From Scratch to Advanced Models ¿ Navalapp. Curso práctico desde fundamentos hasta redes profundas con enfoque marino (https://navalapp.com/courses/ai-machine-learning-from-scratch-to-advanced-models/)
- Machine Learning (Short Course) ¿ Naval Postgraduate School (NPS). Introducción compacta (3 días), centrada en aplicaciones de defensa, incluyendo redes neuronales y Deep Learning (https://online.nps.edu/-/me4800-machine-learning-for-autonomous-operations)
Artículos académicos:
- Machine Learning for Naval Architecture, Ocean and Marine Engineering ¿ Panda (2021). Revisión de ML en predicción de altura de olas, resistencia de cascos, detección de fallos, etc.
ar5iv.labs.arxiv.org
- Generative AI in Ship Design ¿ Thakur et al. (2024, arXiv). Uso de modelos generativos para diseño de formas de casco
en.wikipedia.org.
- Deep Learning for Marine Science ¿ Frontiers (2023). Casos específicos: detección de seagrass, seguimiento acústico, mejora de imágenes submarinas
frontiersin.org.
- Machine learning-based techniques for marine structures ¿ revisión de técnicas ML/DL aplicadas en estructuras marinas
sciopen.com
CONet: A Cognitive Ocean Network ¿ Lu et al. (2019). Arquitectura de IoT submarino inteligente con IA
arxiv.org