Sistemas Inteligentes 2013 PDF

Gua acadmica
guas acadmicas 2013-2014

Mster Universitario en:
Sistemas
Inteligentes
Edita:
SECRETARA GENERAL
UNIVERSIDAD DE SALAMANCA
Realizado por: IBEROPRINTER, S.L.L.
SALAMANCA 2013
Nombre del ttulo
Mster Universitario en Sistemas Inteligentes
Caractersticas generales (crditos, duracin, plazas)
N de crditos: 60
Duracin: 1 curso acadmico
Nmero de plazas ofertadas: 25
rgano acadmico responsable
Departamento de Informtica y Automtica, Universidad de Salamanca
Plaza de los Cados s/n (37008) Salamanca
Telfono: 34-923294653; Fax: 34-923294514
e-mail: dpto.iya@usal.es
Centro responsable administrativo
Facultad de Ciencias, Universidad de Salamanca
Plaza de los Cados s/n (37008) Salamanca
Telfonos: Secretara Facultad: 34-923294452; Decanato: 34-923294451
Conserjera: 34-923294450; Fax: 34-923294514
e-mail: dec.fc@usal.es
Coordinador
Roberto Thern Snchez
Departamento de Informtica y Automtica
Plaza de los Cados s/n, 37008 Salamanca
Tel.: (34) 923294400 Ext. 1513
e-mail: theron@usal.es
Orientacin y rama de conocimiento
Rama de conocimiento: Ingeniera y Arquitectura
Orientacin: Investigadora
3
Mster Universitario en Sistemas Inteligentes Gua Acadmica 2013-2014
Objetivos
El trmino Sistemas Inteligentes se utiliza para describir sistemas y mtodos que simulan aspectos del comportamiento inteli-
gente, con la intencin final de aprender de la naturaleza para poder disear y construir arquitecturas computacionales ms po-
tentes. El objetivo final, utpico, de los llamados Sistemas Inteligentes es llegar a construir un artefacto (robot, mquina, proceso
informtico, etc.) que pueda representar su propio conocimiento y razonar sobre l, que pueda planificar y actuar, que pueda
asimilar nuevo conocimiento de la experiencia y de la interaccin con el entorno y que, en definitiva, pueda llevar a cabo cualquier
tarea que tendemos a considerar como propia de los seres inteligentes.
En este Mster, se incluyen un abanico amplio de temas: redes neuronales, procesamiento de habla, robtica, minera de datos,
inteligencia computacional, sistemas basados en conocimiento, sistemas borrosos, recuperacin de la informacin, interaccin
hombre-mquina, web semntica, etc. Tiene un carcter integrador y tambin de especializacin. Los principales objetivos son:
Dar al estudiante una visin de los temas avanzados en la Informtica y Automtica, con especial nfasis en aquellos
relacionados con la aplicacin de tcnicas derivadas de los Sistemas Inteligentes a la solucin de problemas en dife-
rentes mbitos: decisin, control de procesos, interaccin hombre-mquina, documentacin, robtica, etc.
Proporcionar al estudiante nuevas herramientas para poder abordar problemas que, por una u otra razn, no pueden
resolverse de forma satisfactoria con los mtodos convencionales.
Iniciar al estudiante en la investigacin en los campos objeto del Mster.
Proporcionar a los profesionales que trabajan en I+D una actualizacin en los tpicos situados en la frontera del co-
nocimiento en Informtica y Automtica, permitiendo as cumplir uno de los principios de la Declaracin de Bolonia.
Competencias
Competencias Bsicas:
CB6: Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicacin
de ideas, a menudo en un contexto de investigacin.
CB7. Los estudiantes sabrn aplicar los conocimientos adquiridos y su capacidad de resolucin de problemas en entornos
nuevos o poco conocidos dentro de contextos ms amplios (o multidisciplinares) relacionados con su rea de estudio
CB8. Los estudiantes sern capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de
una informacin que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y ticas
vinculadas a la aplicacin de sus conocimientos y juicios.
CB9. Los estudiantes sabrn comunicar sus conclusiones y los conocimientos y razones ltimas que las sustentan- a
pblicos especializados y no especializados de un modo claro y sin ambigedades.
CB10. Los estudiantes poseern las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habr
de ser en gran medida autodirigido o autnomo.
4
Competencias generales
CG1. Conocer las lneas de investigacin en Sistemas Inteligentes, los conceptos fundamentales y la terminologa usual pro-
pios de cada materia.
CG2. Conocer las herramientas para el desarrollo de sistemas inteligentes basadas en las tecnologas asociadas a cada materia.
Competencias especficas
CE1. Identificar y saber poner en relacin los objetivos comunes y complementarios de todas las lneas de investigacin en
Sistemas Inteligentes, para proponer de forma autnoma soluciones innovadoras que integren diversos enfoques y tc-
nicas.
CE2. Desarrollar capacidades de trabajo en grupo en un entorno de investigacin y favorecer el anlisis crtico fundamentado
en el conocimiento exhaustivo y actualizado del estado del arte de las distintas reas de investigacin en sistemas in-
teligentes.
CE3. Comprender las necesidades actuales de la Sociedad tecnolgica y saber identificar futuras necesidades que permitan
iniciar investigaciones en Sistemas Inteligentes con impacto en innovacin.
CE4. Manejar con solvencia fuentes de informacin y documentacin, formular objetivos o hiptesis, seleccionar diseos de
investigacin e interpretar resultados aplicados a los Sistemas Inteligentes.
CE5. Entender el potencial de la combinacin de la inteligencia humana y la inteligencia artificial y su aplicacin en distintos
entornos.
CE6. Comprender las tecnologas implicadas en el desarrollo de un robot segn el grado de autonoma.
CE7. Utilizar entornos de simulacin y programas de diseo asistido por ordenador que permitan analizar la aplicacin de
las tcnicas inteligentes a diversas reas de conocimiento, evaluar sus ventajas e inconvenientes y las posibilidades de
implantacin real en diferentes mbitos (cientfico, tecnolgico, industrial)
CE8. Saber recuperar datos y extraer conocimiento de grandes volmenes de datos mediante la aplicacin eficiente de tc-
nicas de anlisis de datos en diferentes dominios. Adoptar los modos de interaccin adecuados segn las tareas de
usuario que se estn apoyando, en especial en aquellos casos en los que interviene el razonamiento analtico.
CE9. Conocer las diferentes formas de representacin de conocimiento y utilizar de forma prctica teoras, mtodos, tcnicas
y herramientas de la lgica para analizar, formalizar, manipular y disear modelos adecuados para la Web.
CE10. Reconocer la importancia de los procesos cognitivos en la interaccin hombre-mquina y tenerlos en cuenta a la hora
de disear interfaces de usuario multimodales.
Perfiles de ingreso y requisitos de formacin previa
Este Mster en Sistemas Inteligentes est dirigido preferentemente a licenciados, graduados o ingenieros de titulaciones de In-
formtica, Ingeniero Industrial, Telecomunicacin, Fsica y Matemticas, que tengan un buen currculo acadmico e inters en
desarrollar su carrera profesional como investigador en centros pblicos (universidad o centros tecnolgicos) o en departamentos
de I+D+i del sector privado.
5
Se recomienda, adems:
Disponer de un nivel de ingls cientfico, equivalente al nivel B2 del Marco comn europeo de referencia para lenguas.
Habilidades avanzadas de manejo de Internet como herramienta de soporte de investigacin.
Saber manejar las operaciones bsicas y de administracin de diferentes sistemas operativos (Microsoft Windows,
Linux, Mac OS X) para la instalacin de las diferentes herramientas a utilizar en el Mster
Tener conocimientos avanzados de programas informticos para la elaboracin de informes y presentacin (Microsoft
Office, Open Office, etc.)
Criterios de admisin y seleccin
Para acceder al Mster en Sistemas inteligentes ser necesario estar en posesin de un ttulo universitario oficial espaol u otro
expedido por una Institucin de Educacin Superior del EEES que facultan en el pas expedidor del ttulo para el acceso a en-
seanzas de Mster.
Adems, se requiere que el estudiante haya completado 240 ECTS de estudios asimilables a nivel de grado en disciplinas rela-
cionadas con los ttulos actuales siguientes:
Ingeniero, licenciado o graduado en Informtica
Ingeniero Industrial, Telecomunicacin
Licenciado en Fsica, Matemticas
Criterios de Admisin de Estudiantes:
La Comisin Acadmica del Ttulo ser la encargada de llevar a cabo el proceso de seleccin de los estudiantes, atendiendo a
los siguientes criterios:
Titulacin universitaria (40%). Se dar preferencia a aquellos aspirantes cuya titulacin universitaria sea Ingeniera In-
formtica, Industrial, Telecomunicacin, u otras titulaciones lo ms afines posibles a los objetivos y contenidos que se
imparten en el Mster.
Expediente acadmico (30%)o. Se calcular la nota media del expediente acadmico teniendo en cuenta las asigna-
turas, los crditos cursados y la calificacin obtenida.
Currculo vitae (20%). Se tendr en cuenta su perfil profesional e investigador en campos afines a los contenidos que
se impartirn en el Mster.
Disponibilidad de becas (10%). Se valorar positivamente (no es imprescindible) si el aspirante dispone de una beca
de un organismo oficial nacional e internacional, para estudios de Posgrado.
Profesorado
Departamento de Informtica y Automtica
rea: Ciencia de la Computacin e Inteligencia Artificial
Corchado Rodrguez, Juan Manuel (Catedrtico Univ.)
6
Corchado Rodrguez, Emilio Santiago (Prof. Titular de Univ.)
Garca Pealvo, Francisco Jos (Prof. Titular de Univ.)
Gonzlez Arrieta, Mara Anglica (Prof. Titular de Univ.)
Lpez Batista, Vivian Flix (Prof. Titular de Univ.)
Thern Snchez, Roberto (Prof. Titular de Univ.)
rea: Lenguajes y Sistemas Informticos
Alonso Berrocal, Jos Luis (Prof. Titular de Univ.)
Garca-Bermejo Giner, Jos Rafael (Prof. Titular de Univ.)
Garca-Figuerola Paniagua, Carlos (Prof. Titular de Univ.)
Miguel Quintales, Luis Antonio (Prof. Titular de Univ.)
Moreno Garca, Mara Navelonga (Prof. Titular de Univ.)
Snchez Lzaro, ngel Luis (Prof. Titular de Univ.)
Zazo Rodrguez, ngel Francisco (Prof. Titular de Univ.)
rea: Ingeniera de Sistemas y Automtica
Blanco Rodrguez, Francisco Javier (Prof. Contratado Doctor)
Curto Diego, Beln (Prof. Titular de Univ.)
Moreno Rodilla, Vidal (Prof. Titular de Univ.)
Prez Lancho, Beln (Prof. Titular de Univ.)
Vega Cruz, Pastora Isabel (Catedrtico Univ.)
Departamento de Filosofa, Lgica y Esttica
rea: Lgica y Filosofa de la Ciencia
Manzano Arjona, Mara Gracia (Catedrtico Univ.)
Descripcin del plan de estudios
Distribucin del plan de estudios por tipo de materia y nmero de ECTS
7
TIPO DE MATERIA N crditos ECTS
Obligatorias (Ob.) 27
Optativas (Opt.) 18
Prcticas Externas obligatorias (PE) 0
Trabajo Fin de Mster 15
TOTAL 60

8
Relacin de las materias y asignaturas, por mdulo, del plan de estudios
Mdulo Materia ECTS Asignatura Tipo Semestre
1.
INICIACIN A LA
INVESTIGACIN
Metodologa y
Avances en
Investigacin en
Sistemas
Inteligentes
6
Metodologa de la Investigacin
(3 ECTS)
Obligatoria S1
Nuevas Tendencias en
Sistemas Inteligentes
(3 ECTS)
Obligatoria S2
2.
INTELIGENCIA
COMPUTACIONAL
Inteligencia
Computacional
6
Inteligencia Ambiental y
Sistemas Multiagente
(3 ECTS)
Obligatoria S1
Computacin Neuroborrosa
(3 ECTS)
Obligatoria S1
3.
ROBTICA
Y
AUTOMATIZACIN
Robtica 9
Robots Autnomos
(3 ECTS)
Obligatoria S1
Tcnicas de Planificacin de
Robots
(3 ECTS)
Optativa S1
Navegacin de Robots
(3 ECTS)
Optativa S1
Sistemas
Inteligentes en
Control
6
Control Inteligente
(3 ECTS)
Obligatoria S1
Herramientas Interactivas de
Simulacin y Control
(3 ECTS)
Optativa S2
4.
RECUPERACIN DE
LA INFORMACIN
Y
DESCUBRIMIENTO
DE CONOCIMIENTO
Minera de
Datos
9
Minera de Datos
(3 ECTS)
Obligatoria S1
Minera Web
(3 ECTS)
Optativa S2
Minera de datos aplicada a la
Bioinformtica
(3 ECTS)
Optativa S2
Recuperacin
Avanzada de
Informacin y
Cibermetra
6
Recuperacin Avanzada de la
Informacin
(3 ECTS)
Optativa S1
Cibermetra
(3 ECTS)
Optativa S1
5.
INGENIERA WEB
Ingeniera Web
y Web
Semntica
6
Lgica para Web Semntica
(3 ECTS)
Obligatoria S1
Procesos y Mtodos de
Modelado para la Ingeniera
Web y Web Semntica
(3 ECTS)
Optativa S2
6.
INTERACCIN
HOMBRE-MQUINA
Interaccin
Multimodal
9
Analtica Visual y Visualizacin
de la Informacin
(3 ECTS)
Obligatoria S1
Tecnologas del Habla
(3 ECTS)
Optativa S2
Interaccin Gestual
(3 ECTS)
Optativa S2
7.
TFM
Trabajo de Fin
de Master
15
Trabajo de Fin de Mster +
Workshop
Obligatoria S2
9
PRIMER SEMESTRE SEGUNDO SEMESTRE
Asignatura Tipo ECTS Asignatura Tipo ECTS
Metodologa de la Investigacin Ob 3 Nuevas Tendencias en Sistemas
Inteligentes
Ob 3
Inteligencia Ambiental y Sistema
Multiagente
Ob 3 Optativa 3 Opt 3
Computacin Neuroborrosa Ob 3 Optativa 4 Opt 3
Robots Autnomos Ob 3 Optativa 5 Opt 3
Control Inteligente Ob 3 Optativa 6 Opt 3
Minera de Datos Ob 3
Lgica para Web Semntica Ob 3
Analtica Visual y Visualizacin de la
Informacin
Ob 3
Optativa 1 Opt 3
Optativa 2 Opt 3 Trabajo Fin de Mster TFM 15
TOTAL 30 TOTAL 30
Distribucin del plan de estudios por tipo de materia, nmero de ECTS y semestre
Relacin de asignaturas optativas del plan de estudio ofertadas por semestre
PRIMER SEMESTRE SEGUNDO SEMESTRE
Asignatura ECTS Asignatura ECTS
Tcnicas de Planificacin de Robots 3 Herramientas Interactivas de Simulacin y
Control
3
Navegacin de Robots 3 Minera Web 3
Recuperacin Avanzada de la informtica 3 Minera de Datos Aplicada a la Bioinformtica 3
Cibermetra 3 Procesos y Mtodos de Modelado para la
Ingeniera Web y Web Semntica
3
Tecnologas del Habla 3
Interaccin Gestual 3
10
Calendario de Actividades Docentes
(Adaptado al Mster por Acuerdo de la Junta de Facultad de Junio 2013)

11

12
Horarios (fechas, centro, aulas)
Aula F4 (Facultad de Ciencias)
Semanas 1 y 2
Horas Lunes Martes Mircoles Jueves Viernes
16 a 18 Computacin
Neuroborrosa
Computacin
Neuroborrosa
Computacin
Neuroborrosa
Computacin
Neuroborrosa
Computacin
Neuroborrosa
18 a 20 Metodologa de
la Investigacin
Metodologa de
la Investigacin
Metodologa de
la Investigacin
Metodologa de
la Investigacin
Metodologa de
la Investigacin

Semanas 3 y 4
16 a 18 Inteligencia
Ambiental y
Sistemas
Multiagante
Inteligencia
Ambiental y
Sistemas
Multiagante
Inteligencia
Ambiental y
Sistemas
Multiagante
Inteligencia
Ambiental y
Sistemas
Multiagante
Inteligencia
Ambiental y
Sistemas
Multiagante
18 a 20 Robots
Autnomos
Robots
Autnomos
Robots
Autnomos
Robots
Autnomos
Robots
Autnomos

Semanas 5 y 6
16 a 18 Lgica para la
Web Semntica
Lgica para la
Web Semntica
Lgica para la
Web Semntica
Lgica para la
Web Semntica
Lgica para la
Web Semntica
18 a 20 Minera de
Datos
Minera de
Datos
Minera de
Datos
Minera de
Datos
Minera de
Datos

Semanas 7 y 8
16 a 18 Control
Inteligente
Control
Inteligente
Control
Inteligente
Control
Inteligente
Control
Inteligente
18 a 20 Analtica Visual
y Visualizacin
de la
Informacin
Analtica Visual
y Visualizacin
de la
Informacin
Analtica Visual
y Visualizacin
de la
Informacin
Analtica Visual
y Visualizacin
de la
Informacin
Analtica Visual
y Visualizacin
de la
Informacin
13
Semanas 9 y 10
16 a 18 Recuperacin
Avanzada de la
Informacin
Recuperacin
Avanzada de la
Informacin
Recuperacin
Avanzada de la
Informacin
Recuperacin
Avanzada de la
Informacin
Recuperacin
Avanzada de la
Informacin
18 a 20 Navegacin de
Robots
Navegacin de
Robots
Navegacin de
Robots
Navegacin de
Robots
Navegacin de
Robots

Semanas 11 y 12
16 a 18 Cibermetra Cibermetra Cibermetra Cibermetra Cibermetra
18 a 20 Tcnicas de
Planificacin de
Robots
Tcnicas de
Planificacin de
Robots
Tcnicas de
Planificacin de
Robots
Tcnicas de
Planificacin de
Robots
Tcnicas de
Planificacin de
Robots

Semanas 13 y 14
16 a 18 Herramientas
Interactiva de
Simulacin y
Control
Herramientas
Interactiva de
Simulacin y
Control
Herramientas
Interactiva de
Simulacin y
Control
Herramientas
Interactiva de
Simulacin y
Control
Herramientas
Interactiva de
Simulacin y
Control
18 a 20 Tecnologas del
Habla
Tecnologas del
Habla
Tecnologas del
Habla
Tecnologas del
Habla
Tecnologas del
Habla

Semanas 15 y 16
16 a 18 Minera Web Minera Web Minera Web Minera Web Minera Web
18 a 20 Minera de
Datos Aplicada
a la
Bioinformtica
Minera de
Datos Aplicada
a la
Bioinformtica
Minera de
Datos Aplicada
a la
Bioinformtica
Minera de
Datos Aplicada
a la
Bioinformtica
Minera de
Datos Aplicada
a la
Bioinformtica
14
Semanas 17 y 18
16 a 18 Procesos y
Mtodos de
Modelado para
la Ingeniera
Web y Web
Semntica
Procesos y
Mtodos de
Modelado para
la Ingeniera
Web y Web
Semntica
Procesos y
Mtodos de
Modelado para
la Ingeniera
Web y Web
Semntica
Procesos y
Mtodos de
Modelado para
la Ingeniera
Web y Web
Semntica
Procesos y
Mtodos de
Modelado para
la Ingeniera
Web y Web
Semntica
18 a 20 Interaccin
Gestual
Interaccin
Gestual
Interaccin
Gestual
Interaccin
Gestual
Interaccin
Gestual

La asignatura Nuevas Tendencias en Sistemas Inteligentes se imparte a travs de semanarios y conferencias que
irn anunciando a lo largo del curso acadmico.
15
METODOLOGA DE LA INVESTIGACIN
MDULO I: INICIACIN A LA INVESTIGACIN EN SISTEMAS INTELIGENTES
MATERIA: METODOLOGA Y AVANCES EN INVESTIGACIN EN SISTEMAS INTELIGENTES
Cdigo 304470 Plan 2013 ECTS 3
Carcter Obligatorio Curso 1 Periodicidad Semestral S1
rea Ciencia de la Computacin e Inteligencia Artificial
Departamento Informtica y Automtica
Plataforma Virtual
Plataforma: STUDIUM / DIAWEB
URL de Acceso: http://studium.usal.es / http://mastersi.usal.es
1.- Datos de la Asignatura
Datos del profesorado
Profesor Coordinador Vivian Flix Lpez Batista Grupo / s
Centro Facultad de Ciencias
Despacho F3011
Horario de tutoras
URL Web https://diaweb.usal.es/diaweb/personal/presentacion.jsp?persona=31
E-mail vivian@usal.es Telfono 923294653
16
Bloque formativo al que pertenece la materia
La asignatura pertenece a la materia Metodologa y Avances en Investigacin de Sistemas Inteligentes, dentro del Mdulo
Iniciacin a la Investigacin en Sistemas Inteligentes
Papel de la asignatura dentro del Bloque formativo y del Plan de Estudios.
Iniciar al alumno en la labor de investigacin. Conocer los mtodos y herramientas para el desarrollo de la investigacin si-
guiendo el mtodo cientfico
Perfil profesional.
Investigacin
2.- Sentido de la materia en el plan de estudios
Asignaturas que se recomienda haber cursado
Se recomienda que el estudiante comience el Mster en Sistemas Inteligentes con la asignatura Metodologa de la Investiga-
cin, para que pueda conocer todas las lneas de investigacin relacionadas con el mster, pueda tener una visin general
del estado del arte en Sistemas Inteligentes y una perspectiva global de todos los procesos asociados a las diferentes mate-
rias impartidas en el mster.
Asignaturas que se recomienda cursar simultneamente
Asignaturas que son continuacin
3.- Recomendaciones previas
4.- Objetivos de la asignatura
Objetivos instrumentales generales
OI1: Conocer todas las lneas de investigacin relacionadas con el posgrado.
OI2: Tener una visin general del estado del arte en sistemas inteligentes.
OI3: Tener una perspectiva global de todos los procesos asociados a las diferentes materias impartidas en el posgrado.
17
OI4: Ofrecer los fundamentos bsicos de mtodos de ingeniera aplicados a las diferentes materias que se imparten en el pos-
grado.
OI5: Conocer la importancia de aplicar una buena metodologa de la investigacin.
OI6: Incidir en los criterios de calidad de la aplicacin de una buena metodologa.
Objetivos interpersonales generales
OIP1: Aplicar los objetivos interpersonales generales comunes en el mbito de esta materia.
Objetivos sistmicos generales
OS1: Aplicar los objetivos sistmicos generales comunes en el mbito de esta materia.
OS2: Desarrollar la madurez necesaria en el proceso de abstraccin para abordar problemas reales y plantear modelos y solu-
ciones de forma razonada y correcta.
5.- Contenidos
Unidad Didctica I: Introduccin y objetivos
CIC4: Conocer los temas que se impartirn en la materia.
CIC5: Conocer los objetivos que se pretenden.
CIC6: Conocer los medios de evaluacin de la materia.
CIC7: Conocer la relacin con las dems materias del posgrado.
Unidad Didctica II: Investigacin cientfica y mtodo cientfico. Concepto y objetivos
CIC8: Ver la definicin y el objeto de la ciencia.
CIC9: Conocer las tcnicas de la investigacin cientfica.
CIC10: Conocer las etapas y las caractersticas del mtodo cientfico.
Unidad Didctica III: Temas de investigacin
CIC11: Conocer las diferentes lneas de investigacin del departamento.
CIC12: Conocer las caractersticas de una buena eleccin del tema de investigacin.
Unidad Didctica IV: El acceso a las fuentes de informacin y documentacin
CIC13: Comprender el concepto de fuente de informacin.
CIC14: Conocer las diferentes fuentes disponibles as como el manejo bsico de las mismas.
Unidad Didctica V: Presentacin y publicacin del trabajo cientfico
CIC15: Conocer los elementos esenciales de todo trabajo cientfico, incidiendo en las tcnicas necesarias para trabajar ade-
cuadamente con estos elementos.
CIC16: Analizar las caractersticas diferenciadoras de diferentes tipos de trabajos cientficos.
CIC17: Conocer diferentes sistemas de referencia bibliogrfica, as como el software que nos permitir manejar la bibliografa
de forma ms adecuada.
18
CIC18: Conocer las posibilidades de presentacin de los trabajos, en relacin con el tipo de trabajo.
CIC19: Conocer los mecanismos de publicacin de artculos cientficos.
CIC20: Introduccin al Latex.
Unidad Didctica VI: Cmo hacer una tesis doctoral?
CIC20: Conocer los procedimientos para la realizacin de una tesis doctoral.
CIC21: Conocer la normativa asociada a la tesis doctoral.
CIC22: Conocer los mecanismos de publicacin y optimizacin de los resultados obtenidos.
6.- Competencias a adquirir
Bsicas/Generales.
CB6, CB8, CB9, CB10, CG1, CG2.
Especficas.
CE3, CE4, CE5
7.- Metodologas docentes
Clases de teora con apoyo de material audiovisual. En estas clases se presentarn los contenidos bsicos de un cierto tema.
Las clases comenzarn con una breve introduccin de los contenidos que se pretenden transmitir en la clase, as como con un
breve comentario a los conceptos vistos en clases anteriores y que sirven de enlace a los que se pretenden desarrollar. El des-
arrollo de la clase se llevar a cabo con medios audiovisuales que permitan un adecuado nivel de motivacin e inters en los
alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier momento en las clases para hacer stas ms dinmicas
y facilitar el aprendizaje.
Es importante intentar terminar la exposicin con las conclusiones ms relevantes del tema tratado.
Trabajos de investigacin. Los alumnos desarrollarn algn trabajo de investigacin sobre algn tema expuesto.
Presentacin de los trabajos. Los alumnos defienden pblicamente sus trabajos.
Tutoras. El alumnado tiene a su disposicin seis horas de tutoras a la semana en las que puede consultar cualquier duda rela-
cionada con los contenidos, organizacin y planificacin de la materia. Las tutoras pueden ser individualizadas, pero se admiten
tutoras grupales.
Zona virtual. La plataforma de enseanza virtual de la asignatura constituye el vehculo de comunicacin y registro de informacin
de la materia.
19
8.- Previsin de distribucin de las metodologas docentes

Horas dirigidas por el profesor Horas de
trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Actividades introductorias
Sesiones magistrales 15 15 30
Eventos cientficos
Prcticas

En aula
En el laboratorio
En aula de informtica
De campo
De visualizacin (visu)
Practicum
Prcticas externas
Seminarios
Exposiciones 5 5
Debates
Tutoras
Actividades de seguimiento online 10 5 15
Preparacin de trabajos 25 25
Trabajos
Resolucin de problemas
Estudio de casos
Fosos de discusin
Pruebas objetivas tipo test
Pruebas objetivas de preguntas cortas
Pruebas de desarrollo
Pruebas prcticas
Pruebas orales
TOTAL 20 10 45 75
20
9.- Recursos
Libros de consulta para el alumno
Alonso, Luis Enrique: La mirada cualitativa en sociologa: una aproximacin interpretativa. Madrid: Fundamentos, 1998. 268 p.
ISBN 84-245-0776-2.
Baner, Martin W.; Gaskell, George (eds.): Qualitative researching with text, image and sound: a practical handbook. London:
Sage, 2000. ISBN 0-7619-6481-9.
Cornelius, Ian: Meaning and method in information studies. Norwood (NJ): Ablex, 1996. xi, 238 p. ISBN 1-56750-228-8.
Cordn Garca, Jos, Lpez Lucas, Jess. Jos Ral Vaquero Pulido. Manual de investigacin bibliogrfica y documental: teora
y prctica. Madrid: Ediciones Pirmide, 2001
Crabtree, Benjamin F.; Miller, William L. (eds.): Doing qualitative research. 2nd ed. Thousand Oaks (Ca.): Sage, 1999. xvii, 406
p. ISBN 0-7619-1497-8.
Delgado, Juan Manuel; Gutirrez, Juan (eds.): Mtodos y tcnicas cualitativas de investigacin en ciencias sociales. Madrid:
Sntesis, 1994. 669 p. ISBN 84-7738-226-3.
Denzin, Norman K.; Lincoln, Yvonna S. (eds.): Handbook of qualitative research. Thousand Oaks (Ca.): Sage, 1994. xii, 643 p.
ISBN 0-8039-4679-1.
Glazier, Jack D.; Powell, Ronald R. (eds.): Qualitative research in information management. Englewood (Co.): Libraries Unlimited,
1992. xiv, 238 p. ISBN 0-87287-806-6.
Gorman, G. E.; Clayton, Peter: Qualitative research for the information professional: a practical handbook. With contributions
from Mary Lynn Rice-Lively and Lyn Gorman. London: Library Association, 1997. 287 p. ISBN 1-85604-178-6.
Jensen, K. B.; Jankowski, N. W. (eds.): Metodologas cualitativas de investigacin en comunicacin de masas. Barcelona: Bosch,
1993. 324 p. ISBN 84-7676-241-0.
King, Gary; Keohane, Robert O.; Verba, Sidney: El diseo de la investigacin social: la inferencia cientfica en los estudios cua-
litativos. Madrid: Alianza, 2000. 272 p. ISBN 84-206-8697-2.
Martyn, John; Lancaster, F. Wilfrid: Investigative methods in library and information science: an introduction. Arlington (Vi): Infor-
mation Resources Press, 1981.
Mellon, Constance Ann: Naturalistic inquiry for library science: methods and applications for research, evaluation, and teaching.
New York [etc.]: Greenwood Press, 1990. xvii, 201 p. ISBN 0-313-25653-5.
Mucchielli, Alex (dir.): Diccionario de mtodos cualitativos en ciencias humanas y sociales. Madrid: Sntesis, 2001. 367 p. ISBN
84-7738-821-0.
Rodrguez Gmez, Gregorio; Gil Flores, Javier; Garca Jimnez, Eduardo: Metodologa de la investigacin cualitativa. Archidona:
Aljibe, 1996. 378 p.
Ruiz Olabunaga, Jos Ignacio: Metodologa de la investigacin cualitativa. Bilbao: Universidad de Deusto, 1996. 333 p. ISBN
84-7485-423-7.
Santos, Miguel ngel: Hacer visible lo cotidiano: teora y prctica de la evaluacin cualitativa de los centros escolares. 2 ed. To-
rrejn de Ardoz (Madrid): Akal, 1993. 207 p. ISBN 84-7600-651-9.
21
Schwartz, Howard; Jacobs, Jerry: Sociologa cualitativa: mtodo para la reconstruccin de la realidad. Mxico: Trillas, 1995.
558 p. ISBN 968-24-1558-6.
Torres Ramrez, Isabel (coord.) Las fuentes de informacin: estudios terico-prcticos. Madrid: Sntesis, 1998
Trauth, Eileen M.: Qualitative research in IS: issues and trends. Hershey (PA): Idea Group Publishing, 2001. 350 p. ISBN 1-
930708-06-8.
Valles, Miguel S.: Tcnicas cualitativas de investigacin social: reflexin metodolgica y prctica profesional. Madrid: Sntesis,
1997. 430 p. ISBN 84-7738-449-5.
Otras referencias bibliogrficas, electrnicas o cualquier otro tipo de recurso.
9.2. Enlaces de inters
Association for Computing Machinery (ACM)
http://www.acm.org.
Fundada en 1947 fue la primera sociedad cientfica y de educacin del mundo. El portal de informacin que presenta es impre-
sionante, tanto en cuanto a enlaces de inters, grupos de trabajo, documentos electrnicos, conferencias como por su biblioteca
digital conteniendo revistas y actas de congresos (http://portal.acm.org).
Institute of Electrical and Electronics Engineers (IEEE)
http://www.ieee.org.
Otra prestigiosa organizacin compuesta por diversas sociedades, donde la que ms relacin tiene con los temas abordados
en el presente curso es la IEEE Computer Society (http://computer.org).
A semejanza de ACM, ofrece informacin sobre conferencias, estndares, educacin y mantiene otra biblioteca digital con
revistas y actas de congresos.
Listado de revistas electrnicas suscritas por la Universidad de Salamanca.
http://sabus.usal.es/revistas_e/revistas.htm
Consideraciones Generales
Se valorar la asistencia a clase, los trabajos realizados y la interaccin en las clases tericas y en los foros de la plataforma
virtual
Criterios de evaluacin
Asistencia a clase: se exigir un mnimo de 80%, salvo causa justificada.
Trabajos: se valorar el contenido, la precisin y el alcance del trabajo desarrollado, as como la interpretacin de los resultados
obtenidos, capacidad de comunicacin y espritu crtico y constructivo.
Interaccin en las clases tericas.
10.- Evaluacin
22
Instrumentos de evaluacin
Control de asistencia
Entrega y presentacin de trabajos
Recomendaciones para la evaluacin.
Los trabajos representan la parte ms importante de la evaluacin. Para poder realizarlos es imprescindible comprender los
conceptos explicados en las clases tericas.
Recomendaciones para la recuperacin.
Para la recuperacin ser necesario entregar nuevos trabajos
METODOLOGIAS DE EVALUACION
Metodologa Tipo de prueba a emplear calificacin
Asistencia y participacin en clase 15%
Actividad de seguimiento online 5%
Exposicin en clase de trabajo 80%
Total 100%
Observaciones:

23
NUEVAS TENDENCIAS EN SISTEMAS INTELIGENTES
MDULO I: INICIACIN A LA INVESTIGACIN EN SISTEMAS INTELIGENTES
MATERIA: METODOLOGA Y AVANCES EN INVESTIGACIN EN SISTEMAS INTELIGENTES
Plataforma Virtual
Profesor Coordinador Roberto Thern Snchez Grupo / s
Despacho F306
Horario de tutoras
E-mail theron@usal.es Telfono 1513
24
Profesor Vivian Flix Lpez Batista Grupo / s
Despacho F3011
Horario de tutoras
E-mail vivian@usal.es Telfono 923294653
Profesor Beln Curto Diego Grupo / s 1
rea Ingeniera de Sistemas y Automtica
Despacho
Horario de tutoras Jueves y viernes de 9 a 12 horas
E-mail bcurto@usal.es Telfono 1302
La asignatura pertenece a la materia Metodologa y Avances en Investigacin de Sistemas Inteligentes, dentro del Mdulo
Iniciacin a la Investigacin en Sistemas Inteligentes
25
El propsito de esta materia es dar a conocer a los alumnos las lneas de investigacin ms recientes as como incorporar los
ltimos avances producidos en el mbito de los sistemas Inteligentes a los contenidos del Mster. Para ello, la materia se or-
ganiza como una serie de seminarios impartidos por los profesores del Mster directores de Grupos de Investigacin que pre-
senten las lneas de Investigacin del grupo y por profesores invitados que sean investigadores de reconocido prestigio en
temas punteros en un campo de investigacin afn al Mster.
Perfil profesional.
Investigacin
Para la mayora de los seminarios y conferencias es recomendable haber cursado las asignaturas obligatorias del Mster.
OI1: Conocer las lneas de investigacin ms recientes relacionadas con los Sistemas Inteligentes.
OI2. Conocer los ltimos progresos logrados en el campo de los sistemas inteligentes.
OI3: Orientacin del alumno en la eleccin de una futura lnea de investigacin.
OI4: Tener una visin ms profunda de algunas parcelas de la investigacin relacionadas con los sistemas inteligentes.
OI5: Conocer el trabajo de investigacin que se lleva a cabo en otras Universidades y/o centros de investigacin espaoles y ex-
tranjeros.
Objetivos comunes a todas las materias.
26
OS1: Capacidad de asimilar contenidos sobre un tema especfico tratados en profundidad.
OS2: Capacidad de interpretar, resumir y extraer la informacin relevante de contenidos que se presentan oralmente en confe-
rencias sobre temas novedosos.
OS3: Desarrollar la madurez necesaria para plantear cuestiones relacionadas con los temas tratados en la materia.
5.- Contenidos
Seminarios y conferencias de actualizacin en nuevas lneas de investigacin en sistemas inteligentes.
Bsicas/Generales.
Especficas.
CE3, CE4, CE5
Clases de teora con apoyo de material audiovisual. En estas clases se presentarn los contenidos bsicos de un cierto tema.
Las clases comenzarn con una breve introduccin de los contenidos que se pretenden transmitir en la clase, as como con un
breve comentario a los conceptos vistos en clases anteriores y que sirven de enlace a los que se pretenden desarrollar. El des-
arrollo de la clase se llevar a cabo con medios audiovisuales que permitan un adecuado nivel de motivacin e inters en los
alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier momento en las clases para hacer stas ms dinmicas
y facilitar el aprendizaje.
Es importante intentar terminar la exposicin con las conclusiones ms relevantes del tema tratado.
Tutoras. El alumnado tiene a su disposicin seis horas de tutoras a la semana en las que puede consultar cualquier duda
relacionada con los contenidos, organizacin y planificacin de la materia. Las tutoras pueden ser individualizadas, pero se
admiten tutoras grupales.
27
Zona virtual. La plataforma de enseanza virtual de la asignatura constituye el vehculo de comunicacin y registro de in-
formacin de la materia.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 5 5
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 20 10 45 75
28
9.- Recursos
En Studium aparece el contenido de la asignatura, se da publicidad y se anuncia cada conferencia, adems se cuelga el contenido
de las mismas.
virtual
Trabajos: se valorar el contenido, la precisin y el alcance del trabajo desarrollado, as como la interpretacin de los resultados
10.- Evaluacin
Total 100%
Observaciones:

29
Es fundamental la participacin activa en los seminarios y conferencias.
Para la recuperacin ser necesario entregar trabajos que demuestren el aprovechamiento de la asignatura
30
INTELIGENCIA AMBIENTAL Y SISTEMAS MULTIAGENTE
MDULO II: INTELIGENCIA COMPUTACIONAL
MATERIA: INTELIGENCIA COMPUTACIONAL
Plataforma Virtual
Profesor Coordinador Juan Manuel Corchado Rodrguez Grupo / s
Despacho F3010
Horario de tutoras Lunes-Jueves 17-20
URL Web
E-mail corchado@usal.es Telfono 1525
31
La asignatura pertenece a la materia Inteligencia Computacional, dentro del Mdulo Inteligencia Computacional
Perfil profesional.
Investigacin
Definir, conocer y delimitar las reas de inteligencia ambiental y los modelos de agente y sistemas multiagente, para que los es-
tudiantes puedan entender el alcance de los mismos y desarrollar sistemas basados en estas tecnologas.
5.- Contenidos
Unidad Didctica 1. Introduccin a la inteligencia ambiental: Motivaciones. Historia. Funcin de pertenencia.
Unidad Didctica 2. Tecnologa Bsica para el desarrollo de sistemas de inteligencia ambiental: identificacin, localizacin,
control, gestin.
32
Bsicas/Generales.
CB6, CB7, CB8, CB9, CB10, CG1, CG2.
Especficas.
CE1, CE2, CE3, CE5
Unidad Didctica 3. Modelos inteligentes en inteligencia ambiental: Arquitecturas, sistemas de razonamiento, localizacin
y control.
Unidad Didctica 4. Aplicaciones de inteligencia Ambiental: revisin del estado del arte, evaluacin de propuestas, empresas
del sector.
Unidad Didctica 5. Introduccin a los Agentes y Sistemas Multiagente: conceptos bsicos.
Unidad Didctica 6. Arquitecturas para construir agentes y sistemas multiagente: reactivas, deliberativas e hbridas.
Unidad Didctica 7. Tipos de Agentes: internet, mviles, interfaz, etc.
Unidad Didctica 8. Comunicacin: Modelos, coordinacin y negociacin.
Unidad Didctica 9. Sistemas Multiagente: arquitecturas, modelos de cooperacin y organizaciones.
Unidad Didctica 10. Casos de estudio y herramientas: Entornos hospitalarios, geritricos y domiciliarios
Clases de teora con apoyo de material audiovisual. En estas clases se presentarn los contenidos bsicos de un cierto
tema. El desarrollo de la clase se llevar a cabo con medios audiovisuales, textos, transparencias que permitan un ade-
cuado nivel de motivacin e inters en los alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier momento
en las clases para hacer stas ms dinmicas y facilitar el aprendizaje. Es importante intentar terminar la exposicin con las
conclusiones ms relevantes del tema tratado. Las transparencias que se utilizarn en clase son un subconjunto de las que
se facilitan a los alumnos en la pgina web. Estas transparencias son una gua para el estudio, pero no son sustitutas de la
bibliografa recomendada.
Videos: se proyectarn algunos videos, en ingls, publicados por el IEEE, con conferencias o tutoriales.
Talleres de prcticas. Las clases prcticas presenciales estarn dedicadas a la resolucin colaborativa de problemas de in-
teligencia ambiental y informtica distribuida con sistemas multiagente.
Trabajo obligatorio. Al alumno se le dar una o ms publicaciones recientes sobre el tema, sobre la cual debe elaborar una
presentacin en la que establezca un anlisis del contenido de las mismas y una revisin crtica. Esta presentacin se har
en pblico y se estimula la interaccin con el resto de los alumnos de la materia. Servir para establecer la calificacin.
33
relacionada con los contenidos, organizacin y planificacin de la materia.
Plataforma web. Se convierte en el vehculo de comunicacin y registro de informacin de la materia.El profesor mantiene
actualizada la informacin de esta pgina para que se convierta en un vehculo de comunicacin con los alumnos.
El alumno debe ser capaz de buscar informacin en las revistas electrnicas a las que la Universidad est suscrita (IEEE
fundamentalmente) relacionadas con la inteligencia ambiental y los sistemas multiagente.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
En aula de informtica 4 8 12
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 3 3
Debates
Tutoras
Actividades de seguimiento online
Trabajos
Estudio de casos
Fosos de discusin
34

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Pruebas prcticas
Pruebas orales
TOTAL 15 0 60 75
9.- Recursos
Anderson, S., Bohren, J., Boubez, T., Chanliau, M., Della-Libera, G., & Dixon, B. (2004).
Web services secure conversation language (WS-SecureConversation).
Anderson, S., Bohren, J., Boubez, T., Chanliau, M., Della, G., & Dixon, B. (2005). Web services trust language (WS-Trust).
Bajo, J., Corchado, J. M., Pinzn, C., Paz, Y. D., & Prez-Lancho, B. (2008). SCMAS: A distributed hierarchical multi-agent archi-
tecture for blocking attacks to databases. International Journal of Innovative Computing, Information and Control.
Bebawy, R., Sabry, H., El-Kassas, S., Hanna, Y., & Youssef, Y. (2005). Nedgty: Web services firewall.
Brownell, D. (Ed.) (2002). SAX2. OReilly & Associates, Inc.
Carrascosa, C., Bajo, J., Julian, V., Corchado, J. M., & Botti, V. (2008). Hybrid multiagent architecture as a real-time problem-
solving model. Expert Systems with Applications, 34, 217.
Corchado, J. M., Bajo, J., & Abraham, A. (2008). GerAmi: Improving healthcare delivery in geriatric residences. Intelligent Systems,
IEEE, 23, 1925.
Corchado, J. M., Bajo, J., DePaz, J. F., & Rodrguez, S. (2009). An execution time neural-CBR guidance assistant. Neurocompu-
ting.
Corchado, J. M., & Laza, R. (2003). Constructing deliberative agents with case-based reasoning technology. International Journal
of Intelligent Systems, 18, 12271241.
Corchado, J. M., Laza, R., Borrajo, L., Luis, J. C. Y. A. D., & Valio, M. (2003). Increasing the autonomy of deliberative agents
with a case-based reasoning system.
International Journal of Computational Intelligence and Applications, 3, 101118.
Chonka, A., Zhou, W., & Xiang, Y. (2009). Defending grid web services from XDoS attacks by SOTA.
Fujii, K. (2000). Jpcap a network packet capture library for applications written in Java.
<http://netresearch.ics.uci.edu/kfujii/jpcap/doc/index.html>.
Della-Libera, G., Hallam-Baker, P., Hondo, M., Janczuk, T., Kaler, C., & Maruyama, H.
(2005). Web services security policy language version 1.0 (WS-SecurityPolicy).
Gallagher, M., & Downs, T. (2003). Visualization of learning in multilayer perceptron networks using principal component analysis.
IEEE Transactions on Systems,
35
Man, and Cybernetics, Part B: Cybernetics, 33, 2834.
Gruschka, N., & Luttenberger, N. (2006). Protecting web services from DoS attacks by SOAP message validation.
Im, E. G. & Song, Y. H. (2005). An adaptive approach to handle DoS attack for web services. In S. B. Heidelberg (Ed.).
Fig. 9. Error rate depending on the number of registered cases.
Fig. 10. Percentage of execution for each of the CBRMAS agents along the five testing days and average execution time obtained
for the classification of services.
Fig. 11. Percentage of times that each of the CBRMAS agents are executed along the five testing days.
5498 C.I. Pinzn et al. / Expert Systems with Applications 38 (2011) 54865499
Jensen, M., Gruschka, N., Herkenhoner, R., & Luttenberger, N. (2007). SOA and web services: New technologies, new standards
new attacks. In Fifth European
conference on web services.
Laza, R., Pav, N. R., & Corchado, J. M. (2003). A reasoning model for CBR_BDI agents using an adaptable fuzzy inference
system. In R. Conejo, M. Urretavizcaya, & J.-L.
P. De-la Cruz (Eds.). Springer.
Lecun, Y., Bottou, L., Orr, G. B., & Mller, K. R. (1998). Efficient BackProp. Neural networks: Tricks of the trade. Berlin/Heidelberg:
Springer.
Loh, Y.-S., Yau, W.-C., Wong, C.-T., & Ho, W.-C. (2006). Design and implementation of an XML Firewall. In International conference
on computational intelligence and
security (Vol. 2, pp. 11471150).
OASIS (2004). Web services security: SOAP message security 1.1 (WS-Security 2004).
Padmanabhuni, S., Singh, V., Kumar, K. M. S. & Chatterjee, A. (2006). Preventing service oriented denial of service (PreSODoS):
A proposed approach.
PinzN, C., Paz, Y. D., & Bajo, J. (2008). A multiagent based strategy for detecting attacks in databases in a distributed mode. In
J. M. Corchado, S. Rodrguez, J.
Llinas, J. M. Molina, International symposium on distributed computing and artificial intelligence (DCAI2008), Salamanca, Spain,
Berlin.
Schuba, C. L., Krsul, I. V., Kuhn, M. G., Spafford, E. H., Sundaram, A., & Zamboni, D. (1997). Analysis of a denial of service
attack on TCP. Washington, DC, USA: IEEE
Computer Society.
Srivatsa, M., Iyengar, A., Yin, J., & Liu, L. (2008). Mitigating application-level denial of service attacks on Web servers: A client-
transparent approach. ACM.
Wang, J. (2006). Defending against denial of web services using sessions.
Ye, X. (2008). Countering DDoS and XDoS attacks against web services.
Yee, C. G., Shin, W. H., & Rao, G. S. V. R. K. (2007). An adaptive intrusion detection and prevention (ID/IP) framework for web
services. In International conference
on convergence information technology (ICCIT 07). Washington, DC, USA: IEEE Computer Society.
36
Se evaluar la asistencia y participacin en las clases y la capacidad de aplicacin de los conocimientos en la realizacin de
trabajos y prcticas.
Se tendrn en cuenta los siguientes criterios:
Asistencia a clase: en principio se exigir un mnimo de asistencia de un 80%, pero podrn considerarse casos particulares su-
ficientemente justificados.
Participacin y resultados obtenidos en las clases de prcticas.
Presentacin del trabajo, en el que se valorar la precisin, capacidad de comunicacin y el espritu crtico y constructivo.
La calificacin final se obtendr ponderando de igual forma los resultados de las prcticas y del trabajo. Los resultados de la
evaluacin continua servirn para mejorar la calificacin.
10.- Evaluacin
Total 100%
Observaciones:

37
COMPUTACIN NEUROBORROSA
MDULO II: INTELIGENCIA COMPUTACIONAL
MATERIA: INTELIGENCIA COMPUTACIONAL
Plataforma Virtual
Profesor Coordinador Emilio Santiago Corchado Rodrguez Grupo / s
Despacho F3003
Horario de tutoras L,M,X de 8:00 a 10:00
E-mail escorchado@usal.es Telfono 1302
38
Profesor Coordinador Anglica Gonzlez Arrieta Grupo / s 1
Despacho F3003
Horario de tutoras L,M,X de 8:00 a 10:00
E-mail angelica@usal.es Telfono 1302
La asignatura pertenece a la materia Inteligencia Computacional, dentro del Mdulo Inteligencia Computacional
Muy importante
Perfil profesional.
Ingenieros de computacin aplicada a reconocimiento de patrones y control avanzado
Conocer los fundamentos del Algebra Lineal y Clculo Matricial
Conocer los elementos bsicos de un lenguaje de programacin de 3 generacin.
39
Obtener una panormica general del estado del arte en Sistemas Conexionistas y Lgica Borrosa
Conocer las posibles lneas de investigacin en la materia.
Conocer y utilizar la terminologa y metodologa utilizada en Sistemas Neuroborrosos a la hora de abordar problemas concretos.
Adquirir una visin inicial de alguna de la herramientas software y hardware disponibles.
5.- Contenidos
Unidad Didctica 1- Teora de conjuntos borrosos.
CIC1.- Conocer la gnesis y motivaciones de los conjuntos borrosos.
CIC2.- Comprender como la teora de conjuntos clsicos (ntidos) se puede tratar como un caso particular de conjuntos borrosos.
Unidad Didctica 2.- Definiciones y operaciones bsicas.
CIC3.- Extender los conceptos de teora de conjuntos clsicos a borrosos.
CIC4.- Redefinir las operaciones intra y entre conjuntos.
CIC5.- Plantear los conceptos de T-normas y T-conormas.
Unidad Didctica 3.- Extensin a la lgica.
CIC6.- Extender la semntica cierto-falso de la lgica clsica a grados de verdad.
CIC7.- Replantear las reglas bsicas de la lgica clsica.
CIC8.- Plantear el concepto de variable lingstica.
Unidad Didctica 4.- Algoritmo bsico de inferencia borrosa.
CIC9.- Definir el formalismo y la metodologa para plantear de forma uniforme los problemas de decisin borrosa.
CIC10.- Conocer las diferentes alternativas de inferencia y de interpretacin de resultados.
Unidad Didctica 5.- Aplicaciones.
CIC11.- Presentar algunas realizaciones prcticas resueltas.
CIC12.- Plantear posibles problemas abiertos para su solucin.
Unidad Didctica 6- Introduccin. Motivaciones.
CIC1.- Conocer la gnesis y motivaciones de las redes neuronales artificiales.
CIC2.- Introducir la analoga con los sistemas neuronales biolgicos. .
Unidad Didctica 7.- Definiciones. Modelos. Historia.
CIC3.- A travs de la perspectiva histrica, ir introduciendo los diferentes conceptos y tratamientos.
Unidad Didctica 8.- Arquitecturas de redes.
CIC4.-Conocer las diferentes arquitecturas funcionales y sus propiedades algebraicas y topolgicas.
Unidad Didctica 9.- Aprendizaje: paradigmas, reglas, algoritmos.
CIC5.- Entender el concepto de aprendizaje en el contexto de las redes neuronales.
CIC6.- Conocer los diferentes paradigmas y sus campos de aplicacin.
40
Unidad Didctica 10.- El perceptrn simple. El perceptrn multicapa.
CIC7.- Conocer las propiedades del paradigma conexionista que ms se ha empleado.
Unidad Didctica 11.- Redes auto-organizadas.
CIC8.- Entender las propiedades y aplicaciones de las redes de aprendizaje no supervisado.
Unidad Didctica 12.- Redes recurrentes y jerrquicas.
CIC9.- Plantear las propiedades y campos de aplicacin de algunos tipos de redes de uso minoritario pero emergente.
Unidad Didctica 13.- Funciones de base radial.
CIC10.- Entender el enfoque RBF que trata de superar alguna de las limitaciones de los modelos anteriores.
Unidad Didctica 14.- Implementaciones: software, hardware.
CIC11.- Conocer diferentes metodologas, lenguajes y herramientas para la solucin de problemas con tcnicas conexionistas.
Unidad Didctica 15.- Aplicaciones.
CIC12.- Describir algunas de las aplicaciones ms exitosas de esta tecnologa.
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE5
conclusiones ms relevantes del tema tratado.
Las transparencias que se utilizarn en clase son un subconjunto de las que se facilitan a los alumnos en la pgina web.
Estas transparencias son una gua para el estudio, pero no son sustitutas de la bibliografa recomendada.
Videos: se proyectarn algunos videos, en ingls, publicados por el IEEE, con conferencias o tutoriales dados por autores
relevantes en Sistemas Borrosos
Talleres de prcticas. Las clases prcticas presenciales estarn dedicadas a la resolucin colaborativa de problemas de
modelado y diseo, para lo cual se utiliza alguna de las herramientas para sistemas borrosos existentes.
41
Trabajo obligatorio. Al alumno se le dar una publicacin reciente sobre el tema, sobre la cual debe elaborar una presentacin
en la que establezca un anlisis del contenido de la publicacin y una revisin crtica. Esta presentacin se har en pblico
y se estimula la interaccin con el resto de los alumnos de la materia. Servir para establecer la calificacin.
Pgina web. Se convierte en el vehculo de comunicacin y registro de informacin de la materia.El profesor mantiene ac-
tualizada la informacin de esta pgina para que se convierta en un vehculo de comunicacin con los alumnos.
fundamentalmente) relacionadas con el tema de Sistemas Borrosos.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Sesiones magistrales 6 9 12 27
Eventos cientficos
Prcticas

En aula 6 3 3 12
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios 4 2 6
Exposiciones 3 3 6
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
42

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Pruebas prcticas
Pruebas orales 6 6
TOTAL 31 14 33 78
9.- Recursos
Libros
J.-S. R. Jang, C.-T. Sun and E. Mizutani, (1996) Neuro-Fuzzy and Soft Computing.- Prentice Hall, Bender, E.(1996) Mathematical
Methods in Artificial Intelligence- IEEE Computer Society Press
Aranda Almansa, et al. (2003)- Fundamentos de Lgica Matemtica Sanz y Fors
Dumitrescu, Lazzerini, Jain.(2000) . Fuzzy Sets and Their Application to Clustering and Training.- CRC Press, 2000
S.Haykin.- Neural Networks: a Comprehensive Foundation..- Mc Millan, 98
B.Martn, A. Sanz.- Redes Neuronales y Sistemas Borrosos.- RAMA, 1997
Krose, Smagt.- An Introduction to Neural Networks.- Univ. Amsterdam, 1997
Chen.- Fuzzy Logic and Neural Network Handbook.- Mc Graw Hill, 1996
Jang, Sun, Mazutani.- Neuro-Fuzzy and soft Computing.- Prentice 97
Vemuri, Rogers.- Artificial Neural Networks: Forecasting Time Series. IEEE Press, 1994
Aleksander, Morton .- An Introduction to Neural Computing. Chapman, Hall 1990
Hecht-Nielssen.- Neurocomputing . Addison-Wesley, 1991
Otras referencias:
http://www.acm.org.
Otra prestigiosa organizacin compuesta por diversas sociedades, donde la que ms relacin tiene con los temas abordados en
el presente curso es la IEEE Computer Society (http://computer.org).
43
Applets en Java:
http://staff.aist.go.jp/utsugi-a/Lab/Links.html
http://encina.usal.es/~rosavi/rn/index.htm
http://www.cis.hut.fi/research/javasomdemo/demo2.html
Almacen de redes neuronales:
http://neuralnetworks.ai-depot.com/
Computer Science en Nacional University Taiwn.
http://www.cs.nthu.edu.tw/~jang/nfsc.htm
Asistencia a clase: se exigir un mnimo de 80% .
Presentacin del trabajo: se valorar la precisin, capacidad de comunicacin y espritu crtico y constructivo.
No est prevista ninguna forma de evaluacin alternativa (entrega de trabajos, etc).
10.- Evaluacin
Presentacin pblica de un trabajo propuesto en clase
Total 100%
Observaciones:

44
Claridad, concisin, capacidad de sntesis, comprensin de lo expuesto
Las mismas.
45
ROBOTS AUTONOMOS
MDULO III: ROBTICA Y AUTOMATIZACIN
MATERIA: ROBTICA
Plataforma Virtual
Profesor Coordinador Beln Curto Diego Grupo / s
Despacho F3018
46
Profesor Coordinador Vidal Moreno Rodilla Grupo / s
Despacho F3007
Horario de tutoras L 9:00 a 11:00, M 9:00 a 10:00, X de 9:00 a 12:00
E-mail vmoreno@usal.es Telfono 1303
La asignatura pertenece a la materia Robtica, dentro del Mdulo Robtica y Automatizacin
Esta asignatura supone la iniciacin de los alumnos en una de las aplicaciones emblemticas de los Sistemas Inteligentes:
los robots. En la construccin de los robots, de hecho van a confluir varias de las tecnologas contempladas en este Mster,
destacando que el carcter autnomo de los robots requiere de forma intensiva de comportamientos inteligentes.
Perfil profesional.
Investigacin
No se establecen
OI1: Utilizar con fluidez fundamentos tericos sobre los que se sustenta la robtica.
OI2: Conocer y utilizar los elementos de un sistema robtico.
OI3: Adquirir una visin inicial del campo de robtica.
47
OIP1:Aplicar los objetivos interpersonales generales comunes en el mbito de esta materia.
OS1: Desarrollar la madurez necesaria en el proceso de abstraccin para abordar problemas reales y plantear modelos y
soluciones de forma razonada y correcta.
OS2: Reforzar el hbito de desarrollar diferentes alternativas, cuestionando las caractersticas, riegos y viabilidad de cada
una, para cada problema planteado.
5.- Contenidos
Unidad Didctica 1. Introduccin
Antecedentes
Definicin
Clasificacin y aplicaciones
Mercado de robots
Unidad Didctica 2. Estructura general
Estructura mecnica
Sensores. Actuadores
Sistema de control
Unidad Didctica 3. Estructura mecnica
Manipuladores: Configuraciones cinemticas
Robots redundantes
Robots paralelos
Robots mviles: Tipos de ruedas. Configuraciones diferencial, cadenas, Synchro Drive, Triciclo
Unidad Didctica 4. Actuadores y sensores
Clasificacin de actuadores. Criterio de seleccin. Potencia requerida. Precisin. Transmisores y reductores
Sensores en manipuladores: posicin, fuerza y visin
Sensores en mviles. Sensores de odometra: encoders. Acelermetros, girscopos, brjulas. Infrarrojos, sonar, laser. Balizas,
GPS
Unidad Didctica 6. Descripcin matemtica
Introduccin
Herramientas de Representacin: Sistemas de coordenadas, Matriz de rotacin, Coordenadas homogneas
Cinemtica de manipuladores: Directa e inversa. Representacin Denavit-Hartenberg
Restricciones holonmicas y no holonmicas
Cinemtica de mviles: Vehculo diferencial, tipo triciclo.
48
Unidad Didctica 7. Capacidades autnomas
Clasificacin segn el grado de autonoma: Teleoperados, de funcionamiento repetitivo, autnomos. Capacidad de navegacin:
enfoques basados en comportamientos, enfoques basados en mapas. Representacin del entorno: continua, estrategias de
descomposicin.
Unidad Didctica 8. Planificacin y evitacin de colisiones
Espacio de las configuraciones
Roadmap: grafo de visibilidad y diagrama de Voronoi
Descomposicin de celdas, frente de ondas, grafo de conectividad
Campo de potencial
Evitacin de obstculos
Contenidos Prcticos
Sesin 1. Presentacin del robot Roomba
Sensores y actuadores
Protocolo de comunicaciones
Bibliotecas para la programacin
Sesin 2. Primer comportamiento del robot
Programacin de un comportamiento de evitacin de colisiones
Sesin 3. Segundo comportamiento del robot
Programacin de comportamiento con sensores infrarrojos
Sesin 4. Odometra
Programacin de una trayectoria utilizando los datos de odometra
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE5, CE6
49
Aplicando los principios en que se basa la reforma de la educacin superior en el marco de lo que se ha dado en llamar Espacio
Europeo de Educacin Superior (EEES), el posgraduado en alguna rama de Ingeniera en Informtica debe estar capacitado
para aprender a conocer, hacer, convivir y ser, en su mbito personal, profesional y social, de acuerdo con lo recogido en el
informe de la UNESCO sobre las perspectivas de la educacin en el siglo XXI.
Para caminar en este sentido, el modelo educativo que se va a seguir en la asignatura de Robots Autnomos tiene en la clase
magistral un elemento importante, pero ni mucho menos exclusivo, en la transmisin de conocimiento. Este tipo de enseanza
se va a complementar con otros procesos entre los que cabe destacar las prcticas basadas en enseanza colaborativa de gran
importancia en posteriores trabajos de investigacin. A continuacin, se resean:
- Actividades introductorias
- Actividades tericas (dirigidas por el profesor)
o Sesin magistral
o Eventos cientficos
- Actividades prcticas guiadas (dirigidas por el profesor)
o Prcticas en laboratorios
o Practicas en aula informticas
o Exposiciones
o Debates
- Atencin personalizada (dirigida por el profesor)
o Tutoras
o Actividades de seguimiento on-line
- Actividades prcticas autnomas (sin el profesor)
o Trabajos
o Estudio de casos
- Pruebas de evaluacin
o Pruebas prcticas

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
50

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Prcticas

En aula
En el laboratorio 6 9 15
De campo
Practicum
Prcticas externas
Seminarios 2 2
Exposiciones 2 2
Debates
Tutoras 1
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales 4 4
TOTAL 22 2 51 75
9.- Recursos
- Introduction to AI Robotics. Robin R. Murphy, 2000.
- Navigating Mobile Robots: Sensors and Techniques. J. Borenstein, H. R. Everett, and L. Feng. Publisher: A. K. Peters, Ltd.,
Wellesley, MA.
- Intelligent Mobile Robot Navigation Springer Tracts in Advanced Robotics Springer-Verlag GmbH. Volume 16 / 2005.Editors:
Federico Cuesta, Anbal Ollero.
51
Revistas (se incluye el ao de primera publicacin).
International Journal on Robotics Research (1986)
IEEE Transactions on Robotics and Automation (1988)
Congresos
IEEE International Conference on Robotics and Automation ICRA
IEEE International Conference on Intelligent Robots and Systems IROS
Se utilizar un sistema de evaluacin continua teniendo en cuenta la asistencia y la participacin activa de los estudiantes en
las clases. Adems de ello, la calificacin se basar en el trabajo terico y/o prcticas con robots reales y en la calidad de la
presentacin realizada por el alumno.
Se seguirn los criterios de evaluacin generales del Master
50 % Asistencia a clase. 50 % Realizacin de trabajos tericos y/o prcticos.
10.- Evaluacin
Asistencia y participacin en clase.
Realizacin y presentacin de trabajos y/o prcticas
Realizacin de trabajo escrito 30%
Prueba final de evaluacin oral 20%
Total 100%
Observaciones:

52
53
CONTROL INTELIGENTE
MATERIA: SISTEMAS INTELIGENTES EN CONTROL
Plataforma Virtual
Profesor Coordinador Pastora Vega Cruz Grupo / s
Despacho
Horario de tutoras
E-mail pvega@usal.es Telfono 1309
54
Profesor Beln Prez Lancho Grupo / s
Despacho F3001
Horario de tutoras Lunes y jueves de 11 a 14 horas
E-mail lancho@usal.es Telfono 1303
La asignatura pertenece a la materia Sistemas Inteligentes en Control, dentro del Mdulo Robtica y Automatizacin
Perfil profesional.
Investigacin
No se establecen
Definir, conocer y delimitar los paradigmas de control convencional clsico e inteligente. Comprender en qu tipo de problemas
es aplicable, las ventajas e inconvenientes que plantea. Conocer y evaluar las herramientas de desarrollo disponibles.
5.- Contenidos
Esta asignatura tiene como objetivo proporcionar conocimientos sobre tcnicas de control inteligente: control borroso, control
basado en redes neuronales, control adaptativo y control basado en algoritmos genticos, para lo cual se abordarn los conceptos
55
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE7.
bsicos de las diferentes tcnicas comentadas as como las posibilidades de diseo y aplicacin de las mismas a los sistemas
de control. Asimismo se estudiarn las herramientas convencionales de diseo de este tipo de control y algunas aplicaciones
reales.
Unidad didctica 1.- Introduccin a los sistemas de control inteligentes
Motivaciones. Historia. Anlisis de Sistemas. Caractersticas fundamentales del Control Inteligente. Clasificacin.
Unidad didctica 2.- Modelado y simulacin de sistemas dinmicos
Modelos lineales y no lineales. Funcin de transferencia. Simulacin de sistemas.
Unidad didctica 3.- Control clsico. Regulacin
Controladores PID. Sintona. Control multivariable. Jerarqua de control.
Unidad didctica 4.- Control Borroso
Conceptos bsicos del control borroso. Conjuntos borrosos. Propiedades. Operaciones con conjuntos borrosos. Estructura de
un controlador borroso.
Unidad didctica 5.- Control neuronal
Mtodos de aprendizaje. Identificacin de sistemas mediante redes neuronales. Control de sistemas mediante redes neurona-
les.
Unidad didctica 6.- Control adaptativo
Conceptos generales. Control de ganancia planificada. Control por Referencia a un Modelo. Control Autosintonizado.
Unidad didctica 7.- Control basado en algoritmos genticos
Conceptos bsicos: codificacin de soluciones, individuos, poblacin, funcin de salud. Algoritmo gentico simple: seleccin,
mutacin y cruce. Aplicacin a diferentes tipos de controladores
Unidad didctica 8.- Control Experto
Conceptos bsicos. Componentes de un Sistema de Soporte a la Decisin (EDSS) y reas de aplicacin. Formas de represen-
tacin del conocimiento impreciso. Motor de inferencias. Desarrollo de un EDSS. Aplicacin al control.
Unidad didctica 9.- Aplicaciones industriales y uso de herramientas comerciales
Desarrollo prctico de controladores inteligentes en diseo y aplicaciones prcticas.
56
relevantes en Control Inteligente.
modelado y diseo, para lo cual se utiliza alguna de las herramientas para sistemas de control inteligente existentes.
fundamentalmente) relacionadas con el tema de Sistemas Borrosos y Conexionistas.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
57

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales. ( )
Practicum
Prcticas externas
Seminarios
Exposiciones 3 3
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 15 0 60 75
9.- Recursos
- Eronini-Umez-Eronini. Dinmica de sistemas y control, Thompson, 2001
- Maciejowski J.M. Predictive Control Prentice Hall, 2002
- Driankov, D. Helledorn, H, y Reinfrank, M., J. An introduction to Fuzzy Control, Ed. Springer Verlag, 1993.
- Simpson, P. Artificial Neural Systems, Pergamon Press, 1990.
- Narendra, K.S. and Parthasarathy, K. Identification and control of dynamical systems using neural networks, IEEE Trans. on
Neural Networks 1, 4-27, 1990.
- Goldberg, D. E. Genetic algorithms in search, optimization, and machine learning. Addison-Wesley (1989).
58
Fuzzy Sets and Sistems (1978)
Japanese Journal of Fuzzy Theory and Systems (1991)
IEEE Transactions on Fuzzy Systems (1993)
Intelligent Systems Engineering (1993)
IEEE Transactions on Neural Networks (1993)
Neural Netwoks (1992)
Intelligent Systems Engineering (1993)
Neural Processing Letters (1994)
Enlaces de inters
http://www.acm.org.
Otra prestigiosa organizacin compuesta por diversas sociedades, donde la que ms relacin tiene con los temas abordados
en el presente curso es la IEEE Computer Society (http://computer.org).
Ortech Engineering Inc
http://www.ortech-engr.com/fuzzy/reservoir.html
Contiene una buena coleccin de referencias, documentacin, software, etc sobre sistemas borrosos.
Computer Science en Nacional University Taiwn.
http://www.cs.nthu.edu.tw/~jang/nfsc.htm
Applets en Java:
http://staff.aist.go.jp/utsugi-a/Lab/Links.html
http://encina.usal.es/~rosavi/rn/index.htm
http://www.cis.hut.fi/research/javasomdemo/demo2.html
Almacen de redes neuronales:
http://neuralnetworks.ai-depot.com/
59
Asistencia a clase: en principio se exigir un mnimo de asistencia de un 80%, pero podrn considerarse casos particulares
suficientemente justificados.
10.- Evaluacin
Total 100%
Observaciones:

60
MINERA DE DATOS
MDULO IV: RECUPERACIN DE LA INFORMACIN Y DESCUBRIMIENTO DE CONOCIMIENTO
MATERIA: MINERA DE DATOS
rea Lenguajes y Sistemas Informticos
Plataforma Virtual
Profesor Coordinador Mara N. Moreno Garca Grupo / s
Despacho F3005
Horario de tutoras
E-mail mmg@usal.es Telfono 1513
61
La asignatura pertenece a la materia Minera de Datos, dentro del Mdulo Recuperacin de la Informacin y Descubri-
miento de Conocimiento
Introducir las principales tcnicas y herramientas de la disciplina de minera de datos, parte fundamental de los sistemas inte-
ligentes
Perfil profesional.
Investigacin
No se establecen
OI1: Conocer y valorar la importancia de todas las etapas del proceso completo de minera de datos.
OI2: Aprender a diferenciar los distintos tipos de algoritmos de minera de datos y su aplicacin en la resolucin de problemas
reales.
OI3: Adquirir la capacidad de interpretar los resultados obtenidos
OI4: Conocer los distintos mbitos de aplicacin de los mtodos de minera de datos.
5.- Contenidos
Minera de datos: definicin y clasificacin
Definicin. Clasificacin de las tcnicas
El proceso de minera de datos
Determinacin de objetivos. Preparacin de datos. Transformacin de datos. Minera de datos. Anlisis de resultados. Asimilacin
del conocimiento.
Mtodos supervisados
Clasificacin
Induccin de rboles. Clasificador de evidencias. Tablas de decisin. Induccin neuronal. Multiclasificadores.
Evaluacin de los clasificadores
62
Estimacin de errores. Matrices de confusin. Matrices de prdida. Anlisis ROC. Curvas de eficacia. Curvas ROI. Curvas de
aprendizaje.
Prediccin de valores
Regresin. Series temporales
Mtodos no supervisados
Segmentacin de la base de datos
Agrupacin demogrfica. Agrupacin conceptual.
Anlisis de asociacin
Reglas de asociacin. Patrones secuenciales. Evaluacin de los modelos de asociacin.
Deteccin de desviaciones
Visualizacin. Estadsticas
Aplicaciones
Aplicaciones de negocio. Aplicaciones cientficas. Minera Web
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE5,CE8.
tema. Las clases comenzarn con una breve introduccin de los contenidos que se pretenden transmitir en la clase, as
como con un breve comentario a los conceptos vistos en clases anteriores y que sirven de enlace a los que se pretenden
desarrollar. El desarrollo de la clase se llevar a cabo con medios audiovisuales que permitan un adecuado nivel de motivacin
e inters en los alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier momento en las clases para hacer
stas ms dinmicas y facilitar el aprendizaje. Es importante intentar terminar la exposicin con las conclusiones ms rele-
vantes del tema tratado.
63

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 5 5
Debates
Tutoras
Preparacin de trabajos 25
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 20 10 45 75
64
9.- Recursos
J. Hernndez, M.J. Ramrez y C. Ferri, Introduccin a la Minera de Datos, Pearson Education, 2004 .
Electronic Textbook StatSoft. http://www.statsoft.com/textbook/stathome.html
UCI Machine Learning Group. http://www.ics.uci.edu/~mlearn/
virtual
Trabajos: se valorar el contenido, la precisin y el alcance del trabajo desarrollado, as como la interpretacin de los resul-
tados obtenidos, capacidad de comunicacin y espritu crtico y constructivo.
10.- Evaluacin
Total 100%
Observaciones:

65
66
LGICA PARA LA WEB SEMNTICA
MDULO V: INGENIERA WEB
MATERIA: INGENIERA WEB Y WEB SEMNTICA
rea Filosofa, Lgica y Esttica
Departamento Lgica y Filosofa de la Ciencia
Plataforma Virtual
URL de Acceso: http://studium.usal.es / http://mastersi.usal.es / http://logicae.usal.es
Profesor Coordinador Mara G. Manzano Arjona Grupo / s
Departamento Filosofa, Lgica y Esttica
rea Lgica y Filosofa de la Ciencia
Centro Facultad de Filosofa
Despacho FES 561
Horario de tutoras Se concierta por e-mail mara@usal.es
URL Web http://logicae.usal.es/mara
E-mail mara@usal.es Telfono 3416
67
La asignatura pertenece a la materia Ingeniera Web y Web Semntica, dentro del Mdulo Ingeniera Web
Perfil profesional.
Investigacin
Conocimiento de lgica clsica, tanto de proposiciones, como de primer orden. Ello incluye el manejo de un clculo deductivo,
mejor si es de tableaux semnticos o de resolucin porque son ms adecuados para la implementacin, y la semntica clsica
basada en modelos o estructuras conjuntistas. Teora de conjuntos bsica: lgebra de conjuntos, relaciones, funciones y ciertas
propiedades. Estos conocimientos se adquieren en la asignatura de Lgica matemtica de la carrera de Informtica y se ha
previsto en el posgrado un mdulo de Inteligencia Artificial y Lgica Bsica para los alumnos de otras licenciaturas.
Se recomienda consultar:
OCW (Open Course Ware) Manzano, M. Materiales del curso 2009-2010 de Lgica matemtica.
http://ocw.usal.es/ensenanzas-tecnicas/logica-matematica
El objetivo fundamental es el de situar los sistemas de representacin de conocimientos formales como un importante marco
de referencia de lenguajes formales y sus aplicaciones para mostrar las peculiaridades de las lgicas que se adaptan a dichos
sistemas y sus importantes aplicaciones a la ciencia y la tecnologa.
En especial:
1. Conocer los diferentes sistemas de representacin del conocimiento.
2. Introducir las ontologas formales y conocer su uso en la gestin de conocimientos.
3. Presentar las principales lgicas para la representacin del conocimiento.
Aplicaciones a la ciencia y la tecnologa.
68
5.- Contenidos
Destacamos los siguientes:
1. Introduccin a la representacin de conocimiento
2. Introduccin a las ontologas formales
3. Lgicas descriptivas
4. Lgicas hbridas
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE9.
Actividades formativas presenciales:
Clase terica.
Clase prctica en aulas de informtica
Clase prctica: resolucin de problemas.
Tutora individual y en grupo.
Trabajo personal: estudio de los textos, resolucin de problemas
Exposicin de los trabajos con ayuda de las nuevas tecnologas
Pruebas de evaluacin: exmenes presenciales, comentarios de las lecturas.
No presenciales:
Preparacin de clases prcticas, seminarios y sesiones de debate.
Bsquedas bibliogrficas en bases de datos y en publicaciones electrnicas
Preparacin de exposiciones orales en las que se empelarn los recursos tecnolgicos a disposicin del alumno.
Elaboracin de ensayos con formato de artculo de divulgacin
Preparacin de pruebas de evaluacin.
Los seminarios y las sesiones de debate se prepararan con los artculos seleccionados cada curso por el responsable de la
asignatura y que reflejarn la incesante productividad del rea.
Clases de teora con apoyo de material audiovisual
Clases de prcticas con apoyo de software de lgica educativo
69
Talleres de prcticas: seminarios de problemas, lectura y actividades complementarias, cuestionarios y test
Tutoras: supervisin del trabajo y seguimiento del aprendizaje de la asignatura.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Sesiones magistrales
Eventos cientficos
Prcticas

En aula 15 15 30
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 5 5
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 20 10 45 75
70
9.- Recursos
El curso est completamente desarrollado en Studium y all se proporciona abundante bibliografa. Cabe destacar:
Baader F, McGuiness D, Nardi D, Patel-Schneider P (2003) The Description Logic Hadbook: Theory, implementation and appli-
cations. Cambidge University Press. Cambridge. Reino Unido.
Manzano, M (coordinadora). [2006] Cuestiones de lgica actual. AZAFEA. Revista de Filosofa. Vol. 8. Se puede descargar
de:
http://campus.usal.es/~revistas_trabajo/index.php/0213-3563/issue/view/90
Todas las publicaciones de Ian Horrocks
http://www.comlab.ox.ac.uk/ian.horrocks/Publications/
Summa Logicae: http://logicae.usal.es
Para superar el curso ser preciso realizar satisfactoriamente al menos dos de las cuatro primeras tareas:
1. La Familia, 2. Traducciones, 3. Tableaux 4. Lgica hbrida
y hacer un pequeo trabajo de investigacin. Debeis leer alguno de los artculos de lgica que se emplean o citan en la pgina
de Studium y redactar un pequeo comentario crtico de unas seis pginas. Este trabajo deber ser ledo y defendido en clase.
El reparto de la nota es 40% tareas obligatorias y 60% trabajo final.
La evaluacin del trabajo de investigacin se har conforme a los siguientes criterios:
1. estructuracin de los contenidos;
2. claridad expositiva;
originalidad en el comentario personal.
10.- Evaluacin
71
Objetivos
Total 100%
Observaciones:

Trabajo constante y realizacin de ejercicios prcticos
Prepararla con tiempo y solicitar ayuda cuando sea preciso
72
ANALTICA VISUAL Y VISUALIZACIN DE LA INFORMACIN
MDULO VI: INTERACCIN HOMBRE-MQUINA
MATERIA: INTERACCIN MULTIMODAL
Plataforma Virtual
URL de Acceso: http://studium.usal.es / http://mastersi.usal.es /
Despacho F3006
Horario de tutoras Lunes, Martes, Mircoles de 12:00 a 14:00
73
La asignatura pertenece a la materia Interaccin Multimodal, dentro del Mdulo Interaccin Hombre-Mquina
Se presentan aspectos bsicos de representacin de informacin e interaccin persona-ordenador de aplicabilidad a cual-
quiera de las asignaturas del Plan de Estudios.
Perfil profesional.
Investigacin
Competencias y contenidos mnimos
Conocer los principios, tcnicas y herramientas de programacin.
Conocer un lenguaje de programacin orientado a objetos.
Conocer los elementos bsicos diseo de interfaces grficas de usuario.
Conocer los principios bsicos del desarrollo de sistemas web.
Ofrecer los fundamentos bsicos de mtodos de Visualizacin de Informacin y Analtica Visual aplicados al desarrollo de he-
rramientas interactivas de visualizacin. Conocer la importancia de la percepcin en el proceso de visualizacin. Presentar los
principios bsicos de diseo relativos al color, luz, atencin visual, patrones, objetos visuales, interaccin con las visualizaciones.
Presentar las principales tcnicas de solucin de problemas genricos de Visualizacin de Informacin.
OI1: Concienciar del enorme potencial del anlisis de datos mediante tcnicas de Visualizacin de Informacin.
OI2. Adquirir un buen manejo de la bibliografa recomendada, de forma que se potencia la autosuficiencia a la hora de com-
pletar la formacin.
OI3: Tener una visin general del estado del arte de la Visualizacin de Informacin.
OI4: Comprender la diferencia y complementariedad entre el campo de la Visualizacin de Informacin, como subrea de
la Visualizacin, y la Visualizacin Cientfica.
OI6: Ofrecer los fundamentos bsicos de mtodos de Visualizacin de Informacin aplicados al desarrollo de herramientas
interactivas de visualizacin.
74
OI6: Conocer la importancia de la percepcin en el proceso de visualizacin. Presentar los principios bsicos de diseo re-
lativos al color, luz, atencin visual, patrones, objetos visuales, interaccin con las visualizaciones.
OI7: Presentar las principales tcnicas de solucin de problemas genricos de Visualizacin de Informacin.
OS1: Maximizar el hbito de plantearse interrogantes. Ante un problema preguntarse por el nmero de soluciones, la relacin
entre ellas, cmo afectara a las condiciones iniciales alguna modificacin
OS2: Capacidad de aplicar y relacionar, de forma autnoma, los contenidos de Visualizacin de la Informacin de forma in-
terdisciplinar.
OS3: Adquirir una comprensin del mtodo cientfico, a travs de las diversas actividades realizadas en la materia, y asimilar
su importancia como manera de pensar y actuar en la labor de cientfico e ingeniero, fomentando la capacidad de abstraccin
y el espritu crtico.
OS4: Desarrollar la creatividad a la hora de abordar problemas reales y plantear representaciones y soluciones novedosas
y funcionales.
OS5: Reforzar el hbito de criticar las soluciones existentes a problemas generales y proponer soluciones alternativas, que
superen los inconvenientes de las soluciones histricas y venzan la inercia en su uso.
5.- Contenidos
TEORA:
Unidad Didctica I: Visualizacin
Tema 0: Sumario de la Materia
Tema 1. Introduccin a la Visualizacin
Tema 2. Problemas de la Representacin Visual
Unidad Didctica II: Visualizacin Cientfica
Tema 3. Definiciones y Clasificacin de Problemas
Tema 4. Catlogo de tcnicas
Unidad Didctica III: Visualizacin de Software
Tema 5. Representacin del Software
Tema 6. Taxonoma
Unidad Didctica IV: Visualizacin de Informacin y Analtica Visual
Tema 7. Introduccin a InfoVis. Principios de Diseo
Tema 8. Espacio unidimensional
Tema 9. Espacios bidimensionales
Tema 10. Espacios tridimensionales
Tema 11. Espacios multidimensionales
Tema 12. Conectividad: Grafos, rboles y Jerarquas
75
Tema 13. Colecciones de Documentos
PRCTICA:
Desarrollo de un prototipo en el que se aplique los conocimientos adquiridos durante el curso. Tambin se puede elaborar un
trabajo crtico sobre la aplicacin de tcnicas de visualizacin en un dominio concreto.
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE5, CE6, CE8, CE10.
Las actividades que se proponen son las siguientes:
desarrollar. El desarrollo de la clase se llevar a cabo con medios audiovisuales, textos, transparencias que permitan un
adecuado nivel de motivacin e inters en los alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier mo-
mento en las clases para hacer stas ms dinmicas y facilitar el aprendizaje. Se revisan ejemplos reales de herramientas
y tcnicas de Visualizacin aplicadas a diferentes campos y se incentiva la discusin y crtica respecto a los enfoques utili-
zados en estas, as como el grado de xito alcanzado.
Trabajos de investigacin. Los alumnos, individualmente o en parejas, desarrollarn algn trabajo de investigacin sobre
algn problema de visualizacin genrico o aplicado a cualquiera de las lneas de investigacin del Mster. El lenguaje de
programacin ser el que mejor se adapte al problema abordado. Es posible abordar trabajos tericos de suficiente profun-
didad.
Presentacin oral de los trabajos. Los alumnos defienden pblicamente sus trabajos.
admite tutoras grupales.
Zona virtual. Se convierte en el vehculo de comunicacin y registro de informacin de la materia.
76

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
De visualizacin (visu) 6 10 16
Practicum
Prcticas externas
Seminarios
Exposiciones 5 1 6
Debates
Tutoras 5 5
Preparacin de trabajos 1 23 24
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 29 1 45 75
77
9.- Recursos
Bibliografa bsica
Aguaje, F., Dopazo, J. (Eds.) (2005) Data Analisis and Visualization in Genomics and Proteomics. Wiley.
Baeza-Yates, R., Ribeiro-Neto,B. (Eds.), (1999) Modern Information Retrival. ACM Press.
Benderson, B., Shneiderman, B. (2003) The Craft of Information Visualization: Readings and Reflections. Morgan Kaufmann.
Card, S. (1999) Readings in Information Visualisation: Using Vision to Think. Morgan Kaufmann.
Earnshaw, R., Vince, J. Jones, H. (1997) Visualization & Modeling. Academic Press.
Fayyad, U., Grinstein, G., Wierse, A. (Eds.) (2003) Information Visualization in Data Mining and Knowledge Discovery. Morgan
Kaufmann.
Gallagher, R. Computer (1994) Visualization: Graphics Techniques for Engineering and Scientific Analysis. CRC Press.
Jonson, C. R., Hansen, C. D. (Eds.) (2005) The Visualization Handbook. Elsevier Academic Press.
Nielson, G., Hagen H., Mller H. (1997) Scientific Visualization: Overviews, Methodologies and Techniques, IEEE Computer So-
ciety.
Rao C. R., Wegman, E., Solka, J. (2005) Data Mining and Data Visualization. Elsevier.
Soukup, T., Davidson I. (2002) Visual Data Mining: Techniques and Tools for Data Visualization and Mining. Wiley.
Spence, R. (2001) Information Visualization, Addison-Wesley.
Tufte, E. R. (1990) Envisioning Information. Graphics Press.
Tufte, E. R. (2001) The Visual Display of Quantitative Information. 2nd edition, Graphics Press.
Tufte, E. R. (1997) Visual Explanations: Images and Quantities, Evidence and Narrative. Graphics Press.
Ware, C. (2004) Information Visualization: Perception for Design. 2nd edition, Morgan Kaufmann.
Bibliografa complementaria
Drsteler, J. C. (2003) Visualizacin de informacin. Ediciones Gestin 2000. Artculos tambin disponibles en
http://www.infovis.net [ltima vez visitado, 04/11/2013].
Recursos
1. Revistas
Information Visualization (Palgrave)
IEEE Transactions on Visualization and Computer Graphics.
ACM Transactions on Graphics.
IEEE Computer Graphics and Applications.
Communications of the ACM.
IEEE Multimedia.
IEEE Transactions on Knowledge and Data Engineering
International Journal of Human Computer Studies
78
2. Conferencias
International Conference on Computer Graphics and Interactive Techniques (SIGGRAPH)
IEEE Visualization (Vis)
IEEE Simposium on Information Visualization (InfoVis)
ACM International Conference for Human-Computer Interaction (CHI)
ACM International Conference on Intelligent User Interfaces (IUI)
3. Enlaces de inters
o http://www.acm.org.
o http://portal.acm.org.
o http://www.ieee.org.
o http://computer.org.
InfoVis Cyberinfrastructure
o http://iv.slis.indiana.edu/sw/
Infovis
o http://www.infovis.net/.
On-line Library of Information Visualization Environments
o http://www.otal.umd.edu/Olive/
User Interface Research @ PARC
o http://www2.parc.com/istl/projects/uir/index.html
HCI Lab Visualization Projects
o http://www.cs.umd.edu/hcil/research/visualization.shtml
En esta materia se lleva a cabo una evaluacin continua.
Se tendr en cuenta la asistencia y la participacin activa en clase.
o Se exigir un mnimo de un 80% de las horas presenciales.
Realizacin y defensa de un trabajo de investigacin, individualmente o por parejas, (dimensionado al esfuerzo detallado en
el punto 7 de esta gua).
o Se valorar la precisin, capacidad de comunicacin y espritu crtico y constructivo.
10.- Evaluacin
79
Evaluacin continua (sobre todas las competencias relacionadas), participacin y defensa del trabajo individual.
Total 100%
Observaciones:

La asistencia a las clases magistrales es fundamental para abordar el trabajo individual. El razonamiento crtico del estado del
arte y el anlisis de las tendencias de aplicacin de las tcnicas y conceptos procedentes de la Visualizacin de Informacin y
Analtica Visual en dominios en los que el alumno tiene un mayor conocimiento (o en los que tiene pensado desarrollar sus ac-
tividades futuras) son de gran ayuda para superar la asignatura.
La revisin de los trabajos entregados por los alumnos en otros aos y/o convocatorias sirve en gran medida para cubrir las ca-
rencias demostradas en la convocatoria ordinaria.
o La calificacin de este trabajo se dividir en un 60% por la evaluacin de la memoria entregada y un 40% la exposicin y
defensa del mismo.
La nota final de esta materia se basar en la nota del trabajo, pero podr ser matizada al alza por la participacin activa en las
actividades presenciales.
80
TCNICAS DE PLANIFICACIN DE ROBOTS
MATERIA: ROBTICA
Plataforma Virtual
Profesor Coordinador Beln Curto Diego Grupo / s
Despacho F3018
81
Profesor Coordinador Francisco Javier Blanco Rodrguez Grupo / s
Despacho F3004
Horario de tutoras Vienes de 9 a 14 horas
E-mail fjblanco@usal.es Telfono 1303
Esta asignatura junto con la de Navegacin de robots completan la formacin del estudiante iniciada en la asignatura Robots
Autnomos
Perfil profesional.
Investigacin
Haber superado la asignatura Robots Autnomos
82
El propsito de esta asignatura es que el estudiante:
- Comprenda las distintas tcnicas de planificacin de caminos en el mbito de los robots mviles y de los robots articulados.
- Utilice el espacio de las configuraciones como ambiente natural para la resolucin de las tareas de planificacinen sus dis-
tintos niveles.
- Aplique los conocimientos adquiridos en la resolucin de problemas prcticos de planificacin y en la realizacin de un
trabajo obligatorio.
En cuanto a los objetivos sistmicos generales se pretende:
- Integrar los conocimientos y destrezas prcticas de las diferentes asignaturas del mster para resolver situaciones reales
en un robot relacionadas con los Sistemas Inteligentes (agentes, percepcin, redes neuronales, algoritmos de bsqueda,
), as como con otras disciplinas relacionadas.
- Desarrollar la madurez necesaria en el proceso de abstraccin para abordar problemas reales y plantear modelos y solu-
- Reforzar el hbito de desarrollar diferentes alternativas, cuestionando las caractersticas, riegos y viabilidad de cada una,
para cada problema real planteado.
5.- Contenidos
BLOQUE 1.- Planificacin de caminos en el espacio de las configuraciones
TEMA 1.- Introduccin
- Qu es la planificacin de caminos?Ejemplos
- Problema bsico. Formalizacin.
- Tendencias en planificacin de caminos
TEMA 2.- Espacio de las Configuraciones
- Definicin formal. Ejemplos
- Obstculos en C-espacio: robots mviles y articulados
- Uso de la convolucin
TEMA 3.- Nocin de camino
- Mtricas
BLOQUE 2.- Planteamientos de la planificacin de caminos
TEMA 4.- Mtodos START-GOAL
- Algoritmos bug de Lumelsky
- Funciones de Potencial
83
- Planificador de frente de onda
- Campo de fuerzas virtual
- Histograma de Campo de Vectores
TEMA 5.- Planteamientos basados en Mapas
- Grafos de Visibilidad
- DiagramaGeneralizado de Voronoi
TEMA 6.- Descomposicin en Celdas
- Descomposicin exacta. Trapezoidal.
- Descomposicin aproximada: rectangular y estructuras jerrquicas de datos
TEMA 7.- Algoritmos de bsqueda y planificacin
- Tentativas: backtracking y exploracin de grafos
- Entornos cambiantes: Replanificacin y Algoritmo D*
TEMA 8.- Mtodos probabilsticos.
- Roadmap probabilsticos
Contenidos Prcticos
SESIN 1.- Presentacin del entorno Player/Stage/Gazebo
- Caractersticas generales
- Drivers y dispositivos
- Programacin de programas clientes
SESIN 2.- Implementacin de un algoritmo de planificacin
- Cada equipo implementar un algoritmo de planificacin
- Comprobacin sobre un robot simulado
- Comprobacin sobre el robot Roomba
Bsicas/Generales.
Especficas.
84
o Sesin magistral
o Exposiciones
o Debates
o Tutoras
o Trabajos
o Estudio de casos
o Pruebas prcticas

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
85

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Prcticas

En aula
De campo
Practicum
Prcticas externas
Seminarios 2 2
Exposiciones 2 2
Debates
Tutoras 1
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales 4 4
TOTAL 22 2 51 75
9.- Recursos
Principles of Robot Motion. Howie Choset, Kevin M. Lynch et all, 2005
Planning Algorithms. Steven M. LaValle. Cambridge University Press, 2005
Robot Motion Planning. Jean-Claude Latombe. Kluwer Academic Publishers, 1991
Robtica. Manipuladores y robots mviles. A. Ollero. Marcombo. Barcelona. 2001
86
Congresos
Enlaces de inters
- Institute of Electrical and Electronics Engineers (IEEE) (http://www.ieee.org)
- The Robotics InstituteCarnegie Mellon (http://www.ri.cmu.edu/))
- The IA Laboratory Stanford (http://robotics.stanford.edu)
- Association for Computing Machinery (ACM) (http://www.acm.org; http://portal.acm.org))
Se utilizar un sistema de evaluacin continua teniendo en cuenta la asistencia y la participacin activa de los estudiantes en
las clases. Adems de ello, la calificacin se basar en el trabajo terico y/o prcticas con robots reales y en la calidad de la
presentacin realizada por el alumno.
Se seguirn los criterios de evaluacin generales del Master
10.- Evaluacin
87
Total 100%
Observaciones:

88
NAVEGACIN DE ROBOTS
MATERIA: ROBTICA
Carcter Optativa Curso 1 Periodicidad Semestral S1
Plataforma Virtual
Profesor Coordinador Vidal Moreno Rodilla Grupo / s
Despacho F3007
Horario de tutoras L 9:00 a 11:00, M 9:00 a 10:00, X de 9:00 a 12:00
E-mail vmoreno@usal.es Telfono 1303
89
Profesor Coordinador Francisco Javier Blanco Rodrguez Grupo / s
Despacho F3004
Horario de tutoras Vienes de 9 a 14 horas
E-mail fjblanco@usal.es Telfono 1303
Esta asignatura junto con la de Tcnicas de Planificacin de robots completan la formacin del estudiante iniciada en la asig-
natura Robots Autnomos
Perfil profesional.
Investigacin
Haber superado la asignatura Robots Autnomos
90
Comprender el mbito de los robots mviles como paradigma de agente fsico.
Conocer y utilizar herramientas de programacin de sistemas robticos como Player/Stage, Carmen, MissionLab, etc.
Utilizar con fluidez herramientas conceptales de navegacin de robots.
Adquirir y emplear un buen lenguaje formal, tanto oral como escrito, siendo riguroso en las explicaciones de cualquier pro-
ceso.
Aplicar los objetivos interpersonales generales comunes en el mbito de esta materia.
Capacidad de integrar los conocimientos y destrezas prcticas de las diferentes asignaturas del postgrado para resolver si-
tuaciones reales en un robot relacionadas con los Sistemas Inteligentes (percepcin, redes neuronales, algoritmos de bs-
queda,), as como con otras disciplinas relacionadas.
Desarrollar la madurez necesaria en el proceso de abstraccin para abordar problemas reales y plantear modelos y solu-
Reforzar el hbito de desarrollar diferentes alternativas, cuestionando las caractersticas, riegos y viabilidad de cada una, para
cada problema planteado.
5.- Contenidos
Mdulo I.- Introduccin
El problema de la navegacin
Mdulo II.- Arquitecturas de control
Control de alto nivel
Elementos bsicos
Requisitos generales de arquitectura
Tipos de arquitecturas
Deliberativas
Reactivas
Hbridas
Mdulo III.- Elementos de Navegacin
Localizacin de robots
Planificacin de caminos
Evitacin de colisiones
91
Contenidos Prcticos
Sesin 1. Presentacin MissionLab
Caractersticas generales
Comportamientos bsicos
Mquina de estados para el desarrollo de tareas
Sesin 2. Implementacin de una misin
Se realizar una misin de exploracin de un edificio con un robot simulado
Aplicacin de la misin de exploracin sobre el robot Roomba
Bsicas/Generales.
Especficas.
o Sesin magistral
92

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
De campo
Practicum
Prcticas externas
Seminarios 2 2
Exposiciones 2 2
Debates
Tutoras 1
Trabajos
Estudio de casos
o Exposiciones
o Debates
o Tutoras
o Trabajos
o Estudio de casos
o Pruebas prcticas
93

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Fosos de discusin
Pruebas prcticas
Pruebas orales 4 4
TOTAL 22 2 51 75
9.- Recursos
Robtica. Manipuladores y robots mviles. A. Ollero. Marcombo. Barcelona. 2001
Where am I?". Systems and Methods for Mobile Robot Positioning. J. Borenstein, H. R. Everett, and L. Feng. 1996.
http://www-personal.umich.edu/~johannb/shared/pos96rep.pdf.
Intelligent Mobile Robot Navigation Series: Springer Tracts in Advanced Robotics, Vol. 16. F: Cuesta, A. Ollero, 2005, XIV,
204 p.,
Congresos
94
Al tratarse de grupos reducidos se plantea una evaluacin continua que tenga en cuenta la asistencia y la participacin activa
en las clases. Adems de ello, la calificacin se basar en los resultados y conclusiones obtenidos en las prcticas y en la
calidad de los trabajos presentados.
10.- Evaluacin
Total 100%
Observaciones:

95
HERRAMIENTAS INTERACTIVAS DE SIMULACIN Y CONTROL
MATERIA: SISTEMAS INTELIGENTES EN CONTROL
Plataforma Virtual
Profesor Coordinador Pastora Vega Cruz Grupo / s
Despacho
Horario de tutoras
E-mail pvega@usal.es Telfono 1309
96
Profesor FBeln Prez Lancho Grupo / s
Despacho F3001
Horario de tutoras Lunes y jueves de 11 a 14 horas
E-mail lancho@usal.es Telfono 1303
La asignatura pertenece a la materia Sistemas Inteligentes en Control, dentro del Mdulo Robtica y Automatizacin
Perfil profesional.
Investigacin
No se establecen
Definir, conocer y delimitar los problemas de informtica industrial. Comprender en qu tipo de problemas es aplicable, las
ventajas e inconvenientes que plantea. Conocer y evaluar las herramientas de desarrollo disponibles.
97
5.- Contenidos
Unidad didctica 1.- La informtica en los sectores productivos y de servicios
Motivaciones. Historia. Anlisis de requisitos y procedimientos. Ejemplos: procesos trmicos y de depuracin de aguas residua-
les.
Unidad didctica 2.- Instrumentacin de control. Sensores, actuadores y reguladores
Instrumentacin analgica y digital. Elementos bsicos de un sistema de control. Conversin de seales.
Unidad didctica 3.- Autmatas programables industriales
Introduccin a los conceptos bsicos del PLC. Estructura y programacin. Aplicaciones
Unidad didctica 4.- Sistemas SCADA (Supervisin, Control y Adquisicin de datos)
Funciones de los PC s en la industria. Sistemas SCADA. Configuracin de seales. Pantallas de monitorizacin. Representacin
de datos. Gestin de alarmas. Control de accesos. Elementos de programacin. Integracin en planta. Redes locales y comu-
nicaciones en tiempo real. Buses de campo y control distribuido.
Unidad didctica 5.- Laboratorios virtuales y remotos
Fundamentos de Easy Java Simulations (EJS). Conectividad EJS-Matlab/Simulink. Planificacin de eventos.
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE7.
relevantes en Control Inteligente.
98
modelado y diseo, para lo cual se utiliza alguna de las herramientas para sistemas de control inteligente existentes.
fundamentalmente) relacionadas con el tema de Sistemas Borrosos y Conexionistas.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 3 3
Debates
Tutoras
Trabajos
Estudio de casos
99

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 15 0 60 75
9.- Recursos
Creus Sol A. Instrumentacin industrial Marcombo. 2005.
Ollero de Castro y Fernndez Camacho E. Control e Instrumentacin de procesos qumicos Sntesis, 1997
Stock M. ; AI in Process Control . Mc Graw-Hill. 1989.
Esquembre, F, Creacion De Simulaciones Interactivas En Java, Pearson Educacin, 2004.
Revistas
Industrial Informatics, Transaction on IEEE
Industrial Applications, Magazine IEEE
Computer and control Engineering, Journal IEEE
Control Systems IEEE
Control Thecnology IEEE
Control Theory and Applications, Magazine IEEE
Education Transactions on IEEE
Control Engineering Practice IFAC
Automatica IFAC
RIAI Revista Iberioamericana de Automtica e Informtica
Enlaces de inters
Comit Espaol de Automtica de la IFAC
http://www.cea-ifac.es
100
El Comit Espaol de Automtica de la IFAC se fund a finales de 1968 como una iniciativa de la comunidad cientfica del rea
del Control Automtico en Espaa, que deseaba encontrar un marco para una actividad que da a da iba adquiriendo ms im-
portancia en el mundo de la ingeniera: automtica, robtica, tiempo real, visin artificial, simulacin,
http://www.ieee.org
Otra prestigiosa organizacin compuesta por diversas sociedades, donde la que ms relacin tiene con los temas abordados en
el presente curso es la IEEE Control Society.
http://www.isa.org
Es una organizacin dedicada a la estandarizacin de instrumentacin y control. Rene a numerosas empresas de diseo de
equipos y sistemas. Es una referencia muy importante en la industria de fabricacin y servicios
Asistencia a clase: en principio se exigir un mnimo de asistencia de un 80%, pero podrn considerarse casos particulares
suficientemente justificados.
10.- Evaluacin
101
Total 100%
Observaciones:

102
MINERA WEB
Plataforma Virtual
Profesor Coordinador Mara N. Moreno Garca Grupo / s
Despacho F3005
Horario de tutoras
E-mail mmg@usal.es Telfono 1513
103
La asignatura pertenece a la materia Minera de Datos, dentro del Mdulo Recuperacin de la Informacin y Descubrimiento
de Conocimiento
Conocer los mtodos y herramientas especficos de un campo de aplicacin actual de la minera de datos que ha dado lugar
a la disciplina de la minera web.
Perfil profesional.
Investigacin
No se establecen
OI1: Tener una visin general del estado del arte de la minera Web, las diferentes categoras de minera web y sus principales
aplicaciones.
OI2: Conocer los fundamentos de los sistemas de recomendacin, su clasificacin, las ventajas e inconvenientes de los dis-
tintos tipos y los mtodos utilizados en los sistemas de recomendacin basados en minera web.
OI3: Adquirir la capacidad de aplicar tcnicas de minera de datos en el desarrollo de sistemas de recomendacin e interpretar
los resultados obtenidos.
5.- Contenidos
Introduccin a la Minera Web
Definicin. El proceso de minera web. Clasificacin de las tcnicas
Tipos de minera Web
Minera de contenido
104
Bsicas/Generales.
Especficas.
Minera de textos. Minera de marcado. Minera multimedia. Minera de hipertextos
Minera de la estructura
Minera de uso
Sistemas de recomendacin
Fundamentos y clasificacin
Filtrado colaborativo
Sistemas basados en minera web
105

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 5 5
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 20 10 45 75
106
9.- Recursos
J. Hernndez, M.J. Ramrez y C. Ferri, Introduccin a la Minera de Datos, Pearson Education, 2004 .
Segrera S.y Moreno, M.N. Minera Web para el Comercio Electrnico. Informe tcnico, DPTOIA-IT-2006-003, Junio 2006.
GroupLens Research Group. http://www.grouplens.org/
virtual
Trabajos: se valorar el contenido, la precisin y el alcance del trabajo desarrollado, as como la interpretacin de los resul-
tados obtenidos, capacidad de comunicacin y espritu crtico y constructivo.
10.- Evaluacin
Realizacin y presentacin de trabajos.
Total 100%
Observaciones:

107
108
MINERA DE DATOS APLICADA A LA BIOINFORMTICA
Plataforma Virtual
Profesor Coordinador Luis Antonio Miguel Quintales Grupo / s
Centro Instituto de Biologa Funcional y Genmica (IBFG)
Despacho
Horario de tutoras Martes y mircoles de 16 a 19, previa cita
E-mail lamq@usal.es Telfono 5412
109
La asignatura pertenece a la materia Minera de Datos, dentro del Mdulo Recuperacin de la Informacin y Descubrimiento
de Conocimiento
Dentro del Master en Sistemas Inteligentes, esta asignatura se centra en la aplicacin de distintas tcnicas de Minera de Datos,
a un campo concreto en que el gran volumen de datos que se genera en la experimentacin biomdica, lo hace imprescindible
para la extraccin de conocimiento
Perfil profesional.
Investigacin. Es constatable la necesidad urgente de profesionales de la bioinfomtica que se integren como miembros de
equipos de investigacin en el campo de la Genmica, Farmacia, Medicina, etc.
Empresa. El volumen de informacin que genera la investigacin biomdica, hace necesaria la existencia de profesionales de
la bioinformtica, que tengan la suficiente formacin para poder afrontar la resolucin de distintos problemas, que suelen repre-
sentar un gran reto a nivel computacional, desarrollando las herramientas bioinformticas necesarias.
Conocimientos de programacin, estadstica, minera de datos y bsicos a nivel de biologa y gentica.
Conocer las lneas de investigacin relacionadas con la Minera de Datos aplicada al campo de la Bioinformtica.
Tener una visin general del estado actual del campo de la Minera de Datos aplicada al campo de la Bioinformtica.
Conocer los campos de la Bioinformtica en que son aplicables las tcnicas de Minera de Datos.
Conocer los paquetes software ms habituales para realizar Minera de Datos aplicada al campo de la Bioinformtica.
Conocer las distintas tcnicas de Minera de Datos que pueden ser utilizados, distinguiendo las caractersticas diferenciales
de cada una de ellas, y a la resolucin de qu tipos de problemas pueden ser destinados.
Conocer los datos que proporciona la experimentacin con microarrays y los problemas asociados de preprocesamiento a
que dan lugar.
110
5.- Contenidos
1. Minera de datos y bioinformtica
2. Bases de datos de inters biolgico
3. Visualizacin de genomas
4. Clustering
5. Alineamientos de pares de secuencias y de mltiples secuencias
6. Prediccin filogentica
7. Modelos ocultos de Markov
8. Anlisis de microarrays
9. Anlisis de experimentos genome-wide
Bsicas/Generales.
Especficas.
111
Planificacin de las clases prcticas
Las clases prcticas se dedicarn a la introduccin de contenidos y a la discusin sobre las dudas que surjan durante las
exposiciones.
Las clases se desarrollarn segn el siguiente esquema:
1. El profesor presenta los objetivos a conseguir y el contexto en el que se va a desarrollar la clase.
2. Se presentarn algunos ejemplos resueltos.
3. Se aclaran las dudas cuando stas surjan. El profesor puede incentivar el debate con preguntas para hacer la clase
ms participativa.
4. El profesor propondr algunos ejercicios de fcil resolucin durante la clase prctica que normalmente consistirn
en la realizacin e interpretacin de breves estudios de minera de datos aplicados al campo de la Bioinformtica.
5. Antes del fin de la sesin prctica el profesor presentar las soluciones a los ejercicios propuestos, motivando a los
alumnos a la presentacin de sus resultados y procediendo posteriormente a un debate, con otros tipos de solucio-
nes alternativas a las que hayan llegado otros alumnos.
6. Se propondrn ejercicios para una sesin siguiente de forma que al comienzo de la misma los alumnos procedan a
la presentacin de sus resultados.
Una vez terminada la clase prctica, se deber profundizar en el estudio de los ejemplos resueltos y en los ejercicios pro-
puestos, sobre todo en el caso de que el alumno no haya sido capaz de resolverlos durante el tiempo dedicado a la se-
sin prctica, o haya sido pospuesta su resolucin para una sesin posterior.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula 12 10
En el laboratorio
En aula de informtica 12 10
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 4
112

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Debates
Tutoras 2
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 30 0 45 75
9.- Recursos
Everitt, B., Landau, S., Leese, M. (2001) Cluster Analysis, 4th Edition, Arnold Publishers.
Jain, A. K., Dubes, R. C. (1988) Algorithms for clustering data. Prentice Hall.
Kaufman, L., Rousseeuw, P. J. (1990) Finding Groups in Data: An Introduction to Cluster Analysis, Wiley-Interscience.
Mirkin, B., Mirkin, B. G. (2005) Clustering For Data Mining: A Data Recovery Approach, Chapman & Hall/CRC.
Berrar, D.P. (Editor), Dubitzky, W. (Editor), Granzow, M. (2003) A Practical Approach to Microarray Data Analysis, Kluwer Academic
Press
Draghici, S. (2003) Data Analysis Tools for DNA Microarrays, Chapman & Hall/CRC
McLachlan, G.J., Do, K., Ambroise, C. (2004) Analyzing Microarray Gene Expression Data, Wiley-Interscience
Speed, T. (2003) Statistical Analysis of Gene Expression Microarray Data, Chapman & Hall/CRC
Stekel, D. (2003) Microarray Bioinformatics, Cambridge University Press
Wang, J.T.L. (Editor), Zaki, M.J. (Editor), Toivonen, H.T. (Editor), Shasha, D.E. (Editor) (2004) Data Mining in Bioinformatics,
Springer
113
Se valora con un 50% la asistencia a las clases tericas y prcticas, as como la participacin activa. Se exigir un mnimo de
asistencia de un 80% para las horas presenciales.
Deber presentarse un pequeo trabajo de investigacin aplicado a la resolucin de un problema en que se aplique la Minera
de Datos al anlisis de datos biomdicos. La calidad del trabajo realizado conforme a las especificaciones que se publiquen,
as como la posterior presentacin del trabajo, se valorar con un 50%, para la obtencin de la nota final en la asignatura.
Se tendr en cuenta tanto en la parte terica, como la prctica la asistencia y la participacin activa en clase. Se exigir un
mnimo de un 80% de asistenca a las horas presenciales.
Se valorar la capacidad para resolver los ejercicios prcticos propuestos
Se valorar la capacidad para aplicar los conocimientos tericos en la resolucin de los ejercicios prcticos
Se valorar la calidad del informe escrito, as como la presentacin oral del mismo
10.- Evaluacin
Realizacin, presentacin y defensa de un ejercicio prctico
Total 100%
Observaciones:

Realizar los ejercicios bsicos que se van planteando
Realizar los ejercicios ms bsicos antes de afrontar la resolucin del trabajo final
114
RECUPERACIN AVANZADA DE LA INFORMACIN
Plataforma Virtual
Profesor Coordinador Jos Luis Alonso Berrocal Grupo / s
Centro Facultad de Traduccin y Documentacin
Despacho 5
Horario de tutoras
E-mail berrocal@usal.es Telfono 923 294580 ext 4595
115
Profesor Coordinador Carlos Garca-Figuerola Paniagua Grupo / s
Despacho 2
Horario de tutoras
E-mail figue@usal.es Telfono 923 294580 ext 3099
Profesor Coordinador ngel Francisco Zazo Rodrguez Grupo / s
Despacho 4
Horario de tutoras
E-mail zazo@usal.es Telfono 923 294580 ext 4595
La asignatura pertenece a la materia Recuperacin Avanzada de Informacin y Cibermetra, dentro del Mdulo Recuperacin
de la Informacin y Descubrimiento de Conocimiento
Se encarga de aspectos tecnolgicos relacionados con la indizacin y recuperacin de la informacin. La necesidad de contar
con informacin pertinente, precisa y en el momento oportuno, ha provocado que los sistemas de recuperacin de informacin
tengan un papel muy importante en el momento actual, en el que se combinan mecanismos tradicionales con sistemas avan-
zados, algunos tratan de agregar informacin semntica a los documentos. Por otro lado, la necesidad de acercar la herramienta
116
al usuario desencadena una amplia actividad investigadora en torno a interfaces de usuario, nuevos mtodos de bsqueda,
nuevas formas de indizacin y nuevos servicios. Los investigadores deben estar preparados para sacar provecho de estos cam-
bios y para proponer los que an han de mejorar los sistemas actuales, adelantndose a las necesidades de los usuarios.
Perfil profesional.
Lneas de investigacin:
Recuperacin clsica: Modelos de recuperacin de informacin, categorizacin y clasificacin automtica, indizacin en
recuperacin de informacin, expansin de consultas, normalizacin terminolgica (lematizacin), extraccin de entidades
para la recuperacin de informacin, algoritmos de bsqueda, ordenacin y rboles, resumen automtico de documentos,
recuperacin de pasajes de texto, recuperacin en grandes volmenes de informacin (Terabytes), escalabilidad de las co-
lecciones de evaluacin.
Recuperacin de informacin en documentos no textuales: imgenes, audio, vdeo
Recuperacin de informacin en el Web.
Recuperacin de informacin translinge, recuperacin interactiva
Recuperacin de informacin en dominios especficos del conocimiento o mbito
Bsqueda de respuestas
Anlisis y aplicacin de filtros antispam
Recuperacin semntica
Los prerrequisitos de la asignatura Recuperacin avanzada de la informacin se deberan cumplir en alguna de las asignaturas
de la titulacin de grado del alumno, o bien mediante el propio trabajo personal del alumno. Se deben tener conocimientos de
herramientas bsicas de productividad ofimtica y conocimientos elementales de un lenguaje de programacin
Tener una visin general del estado del arte de la recuperacin de informacin.
Conocer y utilizar la terminologa utilizada en recuperacin de informacin.
Ofrecer las herramientas y mtodos bsicos utilizados en el desarrollo de sistemas de recuperacin de informacin.
Adquirir un buen manejo de la bibliografa recomendada, de forma que se potencie la autosuficiencia a la hora de completar
la formacin.
Adquirir y emplear un buen lenguaje formal, tanto oral como escrito, siendo riguroso en las explicaciones de cualquier pro-
ceso.
Conocer la importancia de la recuperacin de informacin en el desarrollo de sistemas y servicios de informacin.
117
Comprender el mbito de la recuperacin de informacin dentro de los perfiles cientficos y profesionales.
Conocer la importancia en la evolucin de los sistemas de recuperacin de informacin hacia modelos avanzados.
Conocer las lneas de investigacin relacionadas con la recuperacin de informacin.
Objetivos unipersonales generales:
Destrezas para la participacin responsable: capacidad de coordinacin, asistencia, contribuciones al grupo, etc.
Capacidad de trabajar en equipo adquiriendo y mejorando las habilidades sociales y la inteligencia emocional.
Comprometerse de forma tica con el trabajo, con el resto de los integrantes del grupo y consigo mismo.
Objetivos sistmicos generales:
Capacidad de integrar los conocimientos y destrezas prcticas de los diferentes mdulos del programa.
Capacidad de aplicar y relacionar, de forma autnoma, los contenidos de recuperacin de informacin de forma interdisci-
plinar.
Adquirir comprensin del mtodo cientfico, a travs de las diversas actividades realizadas en la asignatura, y asimilar su
importancia como manera de pensar y actuar en la labor del cientfico y profesional, fomentando la capacidad de abstraccin
y el espritu crtico.
Reforzar el hbito de desarrollar diferentes alternativas, cuestionando las caractersticas,riesgos y viabilidad de cada una,
para cada situacin planteada.
5.- Contenidos
1. Introduccin. Documentos electrnicos. Algoritmos y estructuras bsicas
2. Modelos de recuperacin de informacin. Diseo de experimentos y evaluacin de la recuperacin
3. Clasificacin y categorizacin automtica
4. Aspectos actuales de investigacin: recuperacin clsica en nuevos entornos, recuperacin robusta, recuperacin translinge,
bsqueda de respuestas, extraccin de informacin, recuperacin interactiva, recuperacin no textual, visualizacin en RI
(VIRI), recuperacin semntica.
Bsicas/Generales.
Especficas.
CE1, CE2, CE3,CE8.
118
La labor del profesor se centra en que el alumno desarrolle su capacidad de aprender, en vez de ser simple transmisor de co-
nocimientos. El alumno debe ser responsable de su propio aprendizaje, desarrollando un espritu crtico y una actitud abierta
frente al desarrollo cientfico-tcnico de su especialidad. Debe fomentar y adquirir habilidades para trabajar en equipo. Debe va-
lorar el sentido humanstico de la ciencia y de la tcnica como resultado del esfuerzo de generaciones anteriores, con el objetivo
de resolver problemas actuales y futuros. Para caminar en este sentido, el modelo educativo que se va a seguir en la asignatura
Recuperacin avanzada de la informacin tiene en la clase magistral un elemento importante, pero no exclusivo, para la trans-
misin de conocimiento. Utilizaremos una mezcla de clase magistral, clases prcticas y enseanza virtual, B-Learning.
Concretamente las actividades que se proponen son las siguientes:
tema. Las clases comenzarn con una breve introduccin de los contenidos que se pretenden transmitir en la clase, as como
con un breve comentario a los conceptos vistos en clases anteriores y que sirven de enlace a los que se pretenden desarrollar.
El desarrollo de la clase se llevar a cabo con medios audiovisuales, textos, transparencias, etc., que permitan un adecuado
nivel de motivacin e inters en los alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier momento en las
clases para hacer stas ms dinmicas y facilitar el aprendizaje. Es importante intentar terminar la exposicin con las conclusiones
ms relevantes del tema tratado. Las transparencias que se utilizarn en clase son un subconjunto de las que se facilitan a los
alumnos en la pgina web de la asignatura. Estas transparencias son una gua para el estudio, pero no son sustitutas de la bi-
bliografa recomendada.
Talleres de prcticas. Las clases prcticas presenciales estarn dedicadas a la resolucin colaborativa de problemas de re-
presentacin y recuperacin de informacin, para lo cual se utilizarn varias de las herramientas existentes.
Trabajo obligatorio. Al alumno se le darn unas pautas para la realizacin de trabajos. Sern propuestos varios tipos de trabajos:
algunos sern de revisin bibliogrfica de temas actuales, otros de aplicacin prctica de aspectos no vistos en los talleres de
prcticas, y algunos otros sern trabajos de iniciacin a la investigacin.
Presentacin de los trabajos. Defensa pblica de los trabajos, la cual estimula la interaccin con el resto de los alumnos de la
asignatura.
Tutoras. El alumnado tiene a su disposicin horas de tutoras en las que puede consultar cualquier duda relacionada con los
contenidos, organizacin y planificacin de la asignatura. Las tutoras pueden ser individualizadas, pero se admiten tutoras gru-
pales para resolver problemas relacionados con las actividades realizadas en grupo.
Pgina web de la asignatura. Se convierte en el vehculo de comunicacin y registro de informacin de la asignatura.
119

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula 15 7 22
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 5 3 8
Debates
Tutoras 5 5
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 35 0 40 75
120
9.- Recursos
R. Baeza-Yates y B. Ribeiro-Neto. Modern Information Retrieval. Addison-Wesley, Harlow,
England, 1999.
R. Pea, R. Baeza-Yates y J.V. Rodrguez Muoz. Gestin Digital de la Informacin. De Bits a Bibliotecas Digitales y la Web.
RAMA, Madrid, 2002.
G. Salton. Automatic Information Organization and Retrieval. McGraw-Hill, New-York, 1968.
W.B. Frakes y R. Baeza-Yates (eds.). Information Retrieval: Data Structures and Algorithms.
Prentice-Hall, Englewood Clifss (NJ), 1992.
R.R. Korphage. Information Storage and Retrieval. John Willey & Sons, New York, 1997.
K. Spark Jones y P. Willet (eds.). Readings in Information Retrieval. Morgan Kauffman
Publisher, San Francisco (CA), 1997.
C.J. van Rijsbergen. Information Retrieval. Dept. of Computer Science, University of Glasgow, second edition, 1979.
Revistas
Journal of Documentation
Information Processing & Management
Information Retrieval
Journal of the American Society for Information Science and Technology
ACM Transactions on Information Systems
Comunications of the ACM
Revista Iberoamericana de Inteligencia Artificial
Procesamiento del Lenguaje Natural
Conferencias
Cross-Language Evaluation Forum (CLEF)
TExt Retrieval Conferences (TREC)
NII-NACSIS Test Collection for IR Systems (NTCIR)
ACM Special Interesting Group in Information Retrieval (ACM-SIGIR)
European Conference on Research and Advanced Technology for Digital Libraries (ECDL).
WWW Conference
Jornadas de Bibliotecas Digitales (JBIDI)
Congreso de la SEPLN (Sociedad Espaola para el Procesamiento del Lenguaje Natural
121
Los alumnos debern asistir regularmente a las actividades presenciales y poner inters en el desarrollo de la materia. Tambin
en el desarrollo del trabajo obligatorio
Se tendr en cuenta:
la asistencia y participacin activa en las actividades presenciales.
la calidad cientfica y tcnica del trabajo obligatorio, su calidad de presentacin, su precisin y las conclusiones teniendo en
cuenta un espritu crtico y constructivo.z presentacin del trabajo, la capacidad de comunicacin del alumno, su capacidad ex-
positiva, de debate y defensa argumental.
10.- Evaluacin
Asistencia a actividades presenciales. Participacin activa en clase y en el entorno virtual. Entrega del trabajo. Presentacin
del trabajo.
Total 100%
Observaciones:

Con carcter general, se recomienda:
asistir activamente a las sesiones presenciales de la asignaturas.
cumplir los plazos marcados para la entrega del trabajo.
seguir las instrucciones para la elaboracin y presentacin del trabajo
122
El alumno no superar la asignatura cuando no haya asistido regularmente a clase y no haya entregado y expuesto el trabajo
con un mnimo de calidad. En consecuencia, deber volver a realizar el trabajo con el nivel de calidad exigido. En todo caso, se
recomienda consultar con los profesores.
123
RECUPERACIN AVANZADA DE LA INFORMACIN
Plataforma Virtual
Profesor Coordinador Jos Luis Alonso Berrocal Grupo / s
Despacho 5
Horario de tutoras
E-mail berrocal@usal.es Telfono 923 294580 ext 4595
124
Profesor Coordinador Carlos Garca-Figuerola Paniagua Grupo / s
Despacho 2
Horario de tutoras
E-mail figue@usal.es Telfono 923 294580 ext 3099
Profesor Coordinador ngel Francisco Zazo Rodrguez Grupo / s
Despacho 4
Horario de tutoras
E-mail zazo@usal.es Telfono 923 294580 ext 4595
La Cibermetra utiliza gran cantidad de tecnologas asociadas a varias disciplinas, como la ingeniera web, la minera web, los
agentes inteligentes, etc., y sus lneas de investigacin entroncan con esta disciplina
La asignatura pertenece a la materia Recuperacin Avanzada de Informacin y Cibermetra, dentro del Mdulo Recuperacin
de la Informacin y Descubrimiento de Conocimiento
125
La Cibermetra es una disciplina reciente que surge con el desarrollo de Internet y, sobre todo, con la formidable cantidad de in-
formacin que se publica a travs de los distintos servidores. Surge de la aplicacin de objetivos aplicados en disciplinas como
la Bibliometra y la Cienciometra, habida cuenta de la importancia frecuente de la publicacin en Internet, y del poder de difusin
y transferencia de conocimiento del web. Sin embargo, el formato electrnico y la difusin a travs de la red imponen una
dinmica completamente diferente a la seguida por las publicaciones convencionales en papel. Esto supone la aplicacin de
tcnicas y metodologas diferentes. Estas tcnicas, al poder aplicar procedimiento de proceso automtico, superan muchas de
las limitaciones de la Bibliometra tradicional, como las limitaciones a campos muy estrechos y especializados. De otro lado, la
Cibermetra tiene no solamente un inters meramente terico, sino que sus resultados tienen aplicacin directa (factores de im-
pacto web, crecimiento e implantacin de la sociedad del conocimiento, modelado de comportamiento de usuarios, etc.).
Perfil profesional.
Lneas de investigacin:
Navegacin automtica
Anlisis de navegabilidad
ndices de impacto web
Recuperacin de informacin en Internet
Clasificacin automtica de documentos
Evaluacin de motores de bsqueda
Minera Web
Ingeniera Web
Agentes inteligentes
Sistemas inteligentes
Competencias y contenidos mnimos:
Conocer los servicios fundamentales y el funcionamiento de Internet.
Conocer el uso herramientas bsicas de productividad (como una hoja de clculo, un gestor de BD, un paquete de repre-
sentacin grfica).
Plan de trabajo para la consecucin de los prerrequisitos:
Los prerrequisitos para el estudio y entendimiento de la materia Cibermetra se deberan cumplir en alguna de las materias
de la titulacin de grado del alumno, o bien mediante el propio trabajo previo del alumno, acudiendo a la bibliografa reco-
mendada.).
126
Objetivos instrumentales generales:
Conocer y manejar con fluidez los principales coeficientes e indicadores utilizados en Cibermetra.
Conocer los problemas ms importantes en la exploracin automtica, las distintas opciones y formas de abordarlos.
Conocer y manejar algunas de las herramientas de representacin grfica ms usadas en Cibermetra.
Objetivos sistmicos generales:
Reforzar el hbito de desarrollar diferentes alternativas, cuestionando las caractersticas, riegos y viabilidad de cada una,
para cada problema planteado.
5.- Contenidos
Tema 1. Introduccin. Finalidad y objetivos de la Cibermetra; generalidades sobre protocolos y servicios de Internet
Tema 2. Navegacin Automtica; recogida de datos. Tcnicas y herramientas
Tema 3. Coeficientes, indicadores e ndices de nodo
Tema 4. Anlisis de Grafo
Tema 5. Fuentes de informacin y repositorios
Bsicas/Generales.
Especficas.
CE1, CE2, CE3,CE8.
127
La labor del profesor se centra en que el alumno desarrolle su capacidad de aprender, en vez de ser simple transmisor de co-
nocimientos. El alumno debe ser responsable de su propio aprendizaje, desarrollando un espritu crtico y una actitud abierta
frente al desarrollo cientfico-tcnico de su especialidad. Debe fomentar y adquirir habilidades para trabajar en equipo. Debe va-
lorar el sentido humanstico de la ciencia y de la tcnica como resultado del esfuerzo de generaciones anteriores, con el objetivo
de resolver problemas actuales y futuros. Para caminar en este sentido, el modelo educativo que se va a seguir en la asignatura
Recuperacin avanzada de la informacin tiene en la clase magistral un elemento importante, pero no exclusivo, para la trans-
misin de conocimiento. Utilizaremos una mezcla de clase magistral, clases prcticas y enseanza virtual, B-Learning.
Concretamente las actividades que se proponen son las siguientes:
tema. Las clases comenzarn con una breve introduccin de los contenidos que se pretenden transmitir en la clase, as como
con un breve comentario a los conceptos vistos en clases anteriores y que sirven de enlace a los que se pretenden desarrollar.
El desarrollo de la clase se llevar a cabo con medios audiovisuales, textos, transparencias, etc., que permitan un adecuado
nivel de motivacin e inters en los alumnos. Se debe intentar motivar a los alumnos a intervenir en cualquier momento en las
clases para hacer stas ms dinmicas y facilitar el aprendizaje. Es importante intentar terminar la exposicin con las conclusiones
ms relevantes del tema tratado. Las transparencias que se utilizarn en clase son un subconjunto de las que se facilitan a los
alumnos en la pgina web de la asignatura. Estas transparencias son una gua para el estudio, pero no son sustitutas de la bi-
bliografa recomendada.
Talleres de prcticas. Las clases prcticas presenciales estarn dedicadas a la resolucin colaborativa de problemas de re-
presentacin y recuperacin de informacin, para lo cual se utilizarn varias de las herramientas existentes.
Trabajo obligatorio. Al alumno se le darn unas pautas para la realizacin de trabajos. Sern propuestos varios tipos de trabajos:
algunos sern de revisin bibliogrfica de temas actuales, otros de aplicacin prctica de aspectos no vistos en los talleres de
prcticas, y algunos otros sern trabajos de iniciacin a la investigacin.
Presentacin de los trabajos. Defensa pblica de los trabajos, la cual estimula la interaccin con el resto de los alumnos de la
asignatura.
Tutoras. El alumnado tiene a su disposicin horas de tutoras en las que puede consultar cualquier duda relacionada con los
contenidos, organizacin y planificacin de la asignatura. Las tutoras pueden ser individualizadas, pero se admiten tutoras gru-
pales para resolver problemas relacionados con las actividades realizadas en grupo.
Pgina web de la asignatura. Se convierte en el vehculo de comunicacin y registro de informacin de la asignatura.
128

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula 15 7 22
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones 5 3 8
Debates
Tutoras 5 5
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 35 0 40 75
129
9.- Recursos
Almind, T. C., Ingwersen, P. (1997) Informetric analyses on the world wide web:methodological approaches to 'webometrics',
Journal of Documentation, 53(4),404-426.
Broder, A. R. et al: (2000) Graph Structure in the Web. En: Proceedings of the 9th International WWW Conference, http://www.al-
maden.ibm.com/cs/k53/www9.final/.
Callon, M. et al. (1995) Cienciometra. La medicin de la actividad cientfica: de la bibliometra a la vigilancia tecnolgica, Gijn:
Trea.
Chakrabarti, S. et al. (1997) Mining the Link Structure of the World Wide Web . IEEE Computer.
Egghe, L. et al. (1990) Introduction to Informetrics. Amsterdam: Elsevier-Science Publishers.
Ingwersen, P. (1998) The Calculation of the Web Impact Factors. Journal of Documentation, 54(2), 236-243.
Kleinberg, J. M. et al. (1999) The Web as a Graph: Measurements, Models and Methods. En: Proceedings of the Fifth Annual
International Computing and Combinatories Conference
Kumar, R. et al. (1999) Crawling the Web for Emerging Communities. En: Proceedings of the
8th. International WWW Conference, http://www8.org.w8-papers/4a-
searchmining/crawling/crawling.html
Pirolli, P. et al. (1996) Silk from a Sow's Ear: Extracting Usable Structures from the Web. Proceedings of the Conference on
Human Factors in Computing Systems,
CHI'96, http://www.acm.org/sigchi/chi96/proceedings/papers/Pirolli_2/pp2.html
Revistas
Cybermetrics.
Information Processing & Management.
Journal of Documentation.
Journal of the American Society for Information Science and Technology.
Library & Information Science Research.
Scientometrics.
Conferencias
ACM Hypertext.
ACM International Conference for Human-Computer Interaction (CHI).
ACM SIGIR.
Computer Networks & ISDN Systems.
Hypertext, information retrieval, multimedia (HIM).
The WWW conference.
130
Los alumnos debern asistir regularmente a las actividades presenciales y poner inters en el desarrollo de la materia. Tambin
en el desarrollo del trabajo obligatorio
Se tendr en cuenta:
la asistencia y participacin activa en las actividades presenciales.
la calidad cientfica y tcnica del trabajo obligatorio, su calidad de presentacin, su precisin y las conclusiones teniendo en
cuenta un espritu crtico y constructivo.
presentacin del trabajo, la capacidad de comunicacin del alumno, su capacidad expositiva, de debate y defensa argumental.
10.- Evaluacin
Asistencia a actividades presenciales. Participacin activa en clase y en el entorno virtual. Entrega del trabajo. Presentacin
del trabajo.
Total 100%
Observaciones:

Con carcter general, se recomienda:
asistir activamente a las sesiones presenciales de la asignaturas.
cumplir los plazos marcados para la entrega del trabajo.
seguir las instrucciones para la elaboracin y presentacin del trabajo
131
El alumno no superar la asignatura cuando no haya asistido regularmente a clase y no haya entregado y expuesto el trabajo
con un mnimo de calidad. En consecuencia, deber volver a realizar el trabajo con el nivel de calidad exigido. En todo caso, se
recomienda consultar con los profesores.
132
PROCESOS Y MTODOS DE MODELADO PARA LA INGENIERA WEB Y WEB SEMNTICA
MDULO V: INGENIERA WEB
MATERIA: INGENIERA WEB Y WEB SEMNTICA
rea Informtica y Automtica
Departamento Ciencia de la Computacin e Inteligencia Artificial
Plataforma Virtual
URL de Acceso: http://studium.usal.es / http://mastersi.usal.es / http://logicae.usal.es
Profesor Coordinador Francisco Jos Garca Pealvo Grupo / s
Despacho
Horario de tutoras
E-mail fgarcia@usal.es Telfono 1302
133
La asignatura pertenece a la materia Ingeniera Web y Web Semntica, dentro del Mdulo Ingeniera Web
Perfil profesional.
Investigacin
Conocimientos de Ingeniera del Software, Modelado Conceptual y UML
Introducir al estudiante en el desarrollo sistemtico de aplicaciones web
Ofrecer los fundamentos bsicos de mtodos de ingeniera aplicados al desarrollo de sistemas web complejos
Profundizar en el lenguaje de modelado UML para posibilitar el modelado de aspectos propios de las aplicaciones web como
es el caso de la navegabilidad
Incidir en el concepto de calidad en los sistemas web
Presentar caractersticas avanzadas propias de los sistemas web actuales (adaptabilidad, adaptatividad, usabilidad, coo-
peracin...)
Introducir los conceptos de web semntica
Introducir las arquitecturas basadas en servicios
5.- Contenidos
1. Introduccin a la Ingeniera Web
2. El Lenguaje Unificado de Modelado
3. Proceso Software en la Ingeniera Web
4. Mtodos de desarrollo para aplicaciones web
5. Web semntica y ontologas
6. Lneas de investigacin en Ingeniera Web y en Web Semntica
134
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE9.
Clase magistral; Seminarios; Tutoras online; Trabajo Cooperativo; Realizacin de trabajos; Presentacin pblica de trabajos

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula 15 9 6 30
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios 6 2 8
Exposiciones 3 2 2 7
Debates
Tutoras 2 3 5
135

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 26 16 33 75
9.- Recursos
Kruchten, P. (2000) The Rational Unified Process An Introduction. 2nd Edition. Addison Wesley
Sowa, J. F. (2000) Knowledge Representation: Logical, Philosophical, and Computational Foundations. Pacific Grove, CA: Brooks
Cole Publishing Co
Berners-Lee, T., Hendler, J., Lassila, O. (2001) The Semantic Web. Scientific American, 284(5):34-43
Koch, N. (2000) Software Engineering for Adaptive Hypermedia Applications. Reference Model, Modeling Techniques and De-
velopment Process. PhD. Thesis, Ludwig-Maximilians-Universitt Mnchen
Noy, N. F., McGuinness, D. L. (2001) Ontology Development 101: A Guide to Creating Your First Ontology. Stanford Knowledge
Systems Laboratory Technical Report KSL-01-05 and Stanford Medical Informatics Technical Report SMI-2001-0880
136
75% realizacin y presentacin del pster
15% revisin del pster de otro compaero
10% participacin
Evaluacin continua
10.- Evaluacin
Realizar un pster de forma individual sobre un tema relacionado con la asignatura
o Artculo en formato LNCS de 3 pginas (entregable en .pdf, .doc(x), .odt)
o Pster (entregable en .pdf, .ppt(x), .opd)
Cada pster ser revisado por otro compaero
Presentacin de los psteres
Total 100%
Observaciones:

Reconocer el esfuerzo, la participacin y el inters en la asignatura
Reconocer el trabajo en equipo
Plan personalizado para la recuperacin de la asignatura
137
TECNOLOGAS DEL HABLA
Plataforma Virtual
Despacho D1514
Horario de tutoras
E-mail alsl@usal.es Telfono 1309
138
Perfil profesional.
Investigacin
Definir, conocer y delimitar los problemas de computacin relacionados con tecnologas del lenguaje y del habla. Tener una
visin general del estado del arte de la construccin de interfases orales. Identificar las distintas etapas del proceso de conversin
Texto a Voz. Ser capaz de identificar los distintos mdulos acsticos y lingsticos que intervienen en el proceso de Reconoci-
miento Automtico del Habla. Conocer tcnicas de diseo y gestin de dilogos. Conocer y evaluar las herramientas de desarrollo
disponibles.
139
5.- Contenidos
Introduccin a las tecnologas del habla: Acstica, lenguaje y lingstica. El lenguaje oral.
Fontica: Sonidos del habla y su trascripcin fontica. Alfabetos fonticos. Fontica articulatoria. Fontica acstica.
Sntesis de habla: Normalizacin de texto. Anlisis fontico. Generacin de la onda sonora.
Expresiones regulares: Patrones bsicos. Alternativas, agrupacin y secuencias. Lenguajes regulares y autmatas de estados
finitos.
N-grams: Modelos estadsticos del lenguaje. Gramticas estocsticas. Perplejidad de una gramtica.
Modelos Ocultos de Markov (MOM): Autmatas probabilsticas. Modelos Ocultos de Markov. Estimacin de emisin de se-
cuencias. Estimacin de trayectorias.
Reconocimiento de habla: Introduccin y alternativas. Arquitectura de reconocimiento de habla. Extraccin de caractersticas.
Aplicacin de MOM a reconocimiento de habla. Uso de Redes neuronales artificiales en reconocimiento automtico del habla.
Diseo de aplicaciones con interfases orales: Respuestas orales. Dilogos. Sistemas de dilogo bsicos. Dilogos basados
en lenguajes de marcas.
Bsicas/Generales.
Especficas.
La metodologa docente que se seguir en esta materia se concreta en la realizacin de las actividades siguientes:
Clases de teora con apoyo de material audiovisual. Con esta actividad se pretende introducir los conceptos bsicos y motivar
al alumno tratando de captar su atencin.
Trabajos. Los alumnos desarrollarn algn trabajo de investigacin sobre algn tema expuesto y basado en algn artculo.
El trabajo puede ser realizado de manera individual o en parejas.
Presentacin oral de los trabajos. Los alumnos defienden pblicamente sus trabajos.
Tutoras. El alumnado tiene a su disposicin al profesor en las horas fijadas para resolver las dudas relacionadas con los con-
tenidos, organizacin y planificacin de la materia. Las tutoras pueden ser individualizadas, pero se admite tutoras grupales.
Zona virtual. Se convierte en el vehculo de comunicacin y registro de informacin de la materia tanto del profesor hacia
los alumnos como de material que los alumnos quieran intercambiar.
140

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula 3 3
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 24 1 50 75
141
9.- Recursos
Bibliografa bsica
Fundamentals of Speech Recognition. Lawrence Rabiner, Biing-Hwang Juang. Prentice-Hall. 1993
Speech Synthesis and Recognition. J.H. Holmes, W. Holmes, WTaylor & Francis, 2001.
How to Build a Speech Recognition Application. Bruce Balentine, avid P. Morgan
EIG Press. 1999
Voice user interface design. Michael H. Cohen, James P. Giangola, Jennifer Balogh. Addison-Wesley. 2004
Design Effective Speech Interfaces. Susan Weinschenk. Dean T. Barker. WILEY. 2000
Speech and Language Processing. Daniel Jurafsky, James M. Martin. Prentice Hall. 2008
Revistas
IEEE Multimedia.
Enlaces
Direcciones relacionadas con sntesis de habla
http://www-gth.die.upm.es/research/synthesis/synthesis-e.html
http://ttt.upv.es/~aalbiol/aplictds/Vozcodecs.html
http://www.gts.tsc.uvigo.es/cotovia/
http://www.infor.uva.es/~descuder/investig/webs.html
http://cslu.cse.ogi.edu/demos/ttsdemos.htm
Direcciones relacionadas con Reconocimiento Automtico del habla
http://ceres.ugr.es/~alumnos/
Direcciones de las FAQ de tecnologas del habla
http://www.speech.cs.cmu.edu/comp.speech/
Asistencia a clase: se exigir un mnimo de asistencia del 80% de las actividades presenciales.
Presentacin de los trabajos: se valorar la precisin, capacidad de comunicacin y espritu crtico y constructivo.
No est prevista ninguna forma de evaluacin alternativa.
10.- Evaluacin
142
Evaluacin continua. Realizacin y defensa de un trabajo individual.
Total 100%
Observaciones:

Es obligatoria la asistencia a las clases magistrales. Sin la asistencia no se puede superar la asignatura.
Recomendaciones para la recuperacin
50% de la calificacin ser por la evaluacin continua.
143
INTERACCIN GESTUAL
Plataforma Virtual
Profesor Coordinador Jos Rafael Garca-Bermejo Giner Grupo / s
Despacho F3017
Horario de tutoras
E-mail coti@usal.es Telfono 1303
144
Perfil profesional.
Investigacin
Disponer de ciertos conocimientos de Informtica, especialmente en el nivel de usuario, con objeto de reconocer las tcnicas
propuestas.
Disponer de conocimientos de programacin, especialmente de programacin orientada a objetos, para poder aprovechar de
forma ptima los ejemplos de programacin mostrados.
La bibliografa que se presenta est escrita mayoritariamente en Ingls.
Tomando como base los conocimientos previos del alumno, y propios de quien aborda un Mster, se ponen de manifiesto situa-
ciones de usabilidad que probablemente se hayan ignorado. El inters del alumno en cursos previos se centra en el conocimiento
de tcnicas y lenguajes de programacin, y en la comprensin de algoritmos, estructuras de datos y metodologas de diseo.
Se prescinde, por tanto, del aspecto humano, esto es, del conocimiento relativo a la poblacin de usuarios que van a emplear
los programas construidos. Esta asignatura pone en el mapa de conocimiento del alumno a esa poblacin, y plantea una intro-
duccin a las tcnicas que permiten estudiar los requisitos de la poblacin y adaptar los programas construidos a esos requisi-
tos.
La asignatura consta de una parte orientada a tcnicas de usabilidad, y otra parte prctica, orientada a la programacin. No se
intenta ensear nuevas tcnicas de programacin, sino especificar mtodos que permitan disear aplicaciones con mayor grado
de usabilidad.
145
5.- Contenidos
Bsicas/Generales.
Especficas.
Las actividades formativas que se proponen para esta materia son las siguientes:
Actividades presenciales:
Leccin magistral: exposicin de teora y resolucin de problemas
Seminarios tutelados para grupos pequeos
Sesiones de tutoras
Exposicin de trabajos y pruebas de evaluacin
Actividades no presenciales:
Estudio autnomo por parte del estudiante
Revisin bibliogrfica y bsqueda de informacin
Realizacin de un trabajo.

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
146

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Prcticas

En aula 3 3
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Debates
Tutoras
Trabajos
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales
TOTAL 24 1 50 75
9.- Recursos
Bibliografa bsica
About Face 3:The Essentials of Interaction Design Alan Cooper (www.cooper.com) Ed. John Wiley and Sons
Dont make me think (2a Ed) Steve Krug Ed. New Riders - Peachpit
Tog on Interface Bruce Tognazzinni Ed. Addison Wesley
147
http://www.sigchi.org
http://chi2011.org
http://interactions.acm.org
http://portal.acm.org/citation.cfm?id=J756&picked=prox
http://www.hcibib.org/education/
Se evaluarn los conocimientos adquiridos por el alumno a lo largo del curso en los dos aspectos fundamentales tratados:
Principios de Usabilidad
Aplicacin prctica de estos principios.
Se pretende comprobar que el alumno sabe aplicar prcticamente los criterios y metodologas de usabilidad bsicos que se
han descrito.
Se valora positivamente la aplicacin concreta de los principios generales expuestos.
Se valora positivamente el uso de las tcnicas de programacin expuestas
10.- Evaluacin
Evaluacin del trabajo entregado
Total 100%
Observaciones:

148
149
TRABAJO DE FIN DE MSTER + WORKSHOP
MDULO VII: TFM
MATERIA: TRABAJO DE FIN DE MSTER
Carcter Obligatoria Curso 1 Periodicidad Semestral S2
Plataforma Virtual
Despacho F3006
Horario de tutoras Lunes, Martes, Mircoles de 12:00 a 14:00
150
La asignatura pertenece a la materia Trabajo de Fin de Mster, dentro del Mdulo TFM
El Trabajo de Fin de Mster (TFM) es un proyecto personal del estudiante que implica un profundo trabajo del anlisis, de ge-
neracin y diseo de propuestas personales en los que el alumno pone en prctica los conocimientos y capacidades que ha
obtenido durante el desarrollo de la programacin docente del Mster en Sistemas Inteligentes. Se tiene, por tanto, el propsito
de probar la capacidad del estudiante en los objetivos formativos del Mster.
Perfil profesional.
Investigacin
Tener superadas todas las asignaturas del Mster
OI1: Aplicar los conocimientos adquiridos y capacidades desarrolladas durante el seguimiento del Mster en el desarrollo de un
trabajo amplio y completo.
OI2: Manejar con desenvoltura los procedimientos de integracin de resultados y documentacin en un centro de trabajo (cono-
cimiento de estndares de procedimiento, formatos, etc.).
151
OIP1: Destrezas para el trabajo coordinado con el tutor de los trabajos y, en su caso, con los responsables de los organismos
externos en los que se realiza el trabajo.
OS1: Capacidad de integrar los conocimientos y destrezas prcticas de las diferentes materias del Mster para resolver situa-
ciones reales relacionadas con los Sistemas Inteligentes.
OS2: Poner a prueba el hbito de planteamiento de problemas, anlisis de los mismos, propuesta, evaluacin e implantacin de
soluciones. En este sentido, se pone a prueba la capacidad de abstraccin, innovacin del alumno en la elaboracin, desarrollo
e implantacin de propuestas.
OS3: El alumno debe proponer una solucin completa y el desarrollo de la misma debe ir acompaado de procedimientos de
validacin suficientes que garanticen su viabilidad cientfica y/o econmica.
Prerrequisitos
Competencias y contenidos mnimos
Superacin de todas las materias que forman su currculo en el desarrollo del Mster.
Plan de trabajo para la consecucin de los prerrequisitos
El alumno ha de proponer y desarrollar su propio plan de trabajo bajo la direccin de su tutor.
Propuesta de tema del Trabajo de Fin de Master
Cada uno de los profesores que impartan docencia en el Mster tiene que proponer al menos 2 trabajos de TFM, segn el re-
glamento vigente.
El tema del TFM podr ser planteado por:
1. El profesorado del posgrado de Informtica y Automtica de la Universidad de Salamanca.
2. El estudiante.
3. Una empresa.
4. Otro Departamento o Universidad dentro del marco de colaboracin entre grupos de I+D+i.
Direccin del trabajo
El TFM se debe dirigir o supervisar por un profesor o profesores hasta un mximo de tres (3) del Mster en Sistemas Inteligentes
que est a cargo del seguimiento y los costes del proyecto. En caso de que el trabajo se realice en una empresa o en otro De-
5.- Contenidos
152
partamento universitario ser necesario el nombramiento de una persona en la institucin ajena que ser responsable de la su-
pervisin del estudiante dentro de la misma. Esta persona tambin ser la persona del contacto para el profesor/es del Programa
encargado del trabajo.
Para evaluar el rendimiento y capacidad del estudiante en el desarrollo del TFM, es importante que el profesor del Mster en
Sistemas Inteligentes est implicado en la progresin del proyecto. En este sentido, el profesor puede pedir que el estudiante
proporcione cualquiera informe o explicacin en el transcurso de su ejecucin. Asimismo, el estudiante podr presentar los in-
formes que considere pertinentes.
En el caso de realizar el trabajo en una organizacin externa (empresa o centro de I+D) se permitir al profesor tutor del trabajo
reorientar el trabajo que se est haciendo, dentro de los acuerdos que se establezcan, para asegurar de que el proyecto satisface
los requisitos principales de un TFM y, as, poder verificar las capacidades obtenidas por el estudiante.
Rgimen estatutario de los estudiantes en instituciones ajenas al programa
Aunque el estudiante est matriculado en el programa de postgrado de la Informtica y Automtica, cuando el trabajo de Master
se realiza en una empresa o Departamento externo, su rgimen de estancia y otros aspectos (sueldo, secreto, etc.) se realizar
conforme a las reglas y a las regulaciones de la entidad externa siempre y cuando ste no entre en conflicto con lo establecido
por los Estatutos de la Universidad de Salamanca. Se tiene por tanto que los lazos contractuales siempre ligarn al estudiante
y la compaa y nunca a la Universidad.
Informe de Trabajo de Fin de Mster
El TFM incluye un informe escrito. El estudiante debe planificar su trabajo para disponer del tiempo suficiente para la elaboracin
de dicho informe. El estudiante debe escribir un informe (tres copias.) que contenga en los puntos siguientes:
El ttulo.
Los datos del contacto del estudiante (apellido, nombre, direccin).
El nombre del laboratorio de la Universidad de Salamanca, empresa o informacin de institucin de I+D externa en la cual se
est haciendo el TFM.
El nombre del tutor responsable del Mster en Sistemas Inteligentes.
Los resultados de TFM (anlisis, conceptos y puesta en prctica de los mismos).
El informe no debe contener informacin confidencial, excepto en casos excepcionales. Asimismo, el informe debe ser repre-
sentativo del trabajo del estudiante para poder juzgar las capacidades obtenidas por el estudiante.
Workshop
153
Este tipo de reuniones, se celebrar siempre condicionada por las posibilidades de organizacin integrada en una reunin de
mbito cientfico ms general a la que asisten investigadores de mbito nacional e internacional. Se pretende en esta reunin:
Proporcionar al alumno ideas y consejos en su labor investigadora actual y futura.
Permitir conocer al estudiante a expertos de diferentes ramas de la investigacin en Informtica y Automtica para considerar
diferentes alternativas en su trabajo de investigacin.
Interactuar en un mbito ms amplio que una defensa de un curso de posgrado en un foro donde discutir ideas y sugerencias
de compaeros y otros asistentes a la reunin.
Introducir al alumno en las tareas propias de la organizacin de una reunin cientfica en aspectos que aunque no parezcan
propios de las labores de I+D+i son fundamentales para su crecimientos y difusin.
En este apartado se puede constatar que la naturaleza del trabajo de TFM tiene como objetivo poner a prueba las competencias
desarrolladas en el Mster. No obstante, la ejecucin del trabajo permitir al alumno adquirir competencias adicionales derivadas
de la naturaleza del mismo.
Bsicas/Generales.
Especficas.
CE1, CE2, CE3, CE4, CE5, CE6, CE7, CE8, CE9, CE10.
Trabajos de investigacin. Los alumnos desarrollarn el TFM sobre algn tema elegido.
Presentacin de los trabajos. Los alumnos defienden pblicamente sus TFM en el Workshop que se organiza para la defensa
de los mismos.
El TFM incluye un informe escrito. El estudiante debe planificar su trabajo para adems elaborar un artculo cientfico en
Latex que se publicar en un libro que se edita como resultado del Workshop.
relacionada con el TFM.
154

trabajo
autnomo
HORAS
TOTALES
Horas
presenciales.
Horas no
presenciales.
Eventos cientficos
Prcticas

En aula
En el laboratorio
De campo
Practicum
Prcticas externas
Seminarios
Exposiciones
Debates
Tutoras 20 20
Trabajos 5 25 30
Estudio de casos
Fosos de discusin
Pruebas prcticas
Pruebas orales 2 3 5
TOTAL 37 0 338 375
155
9.- Recursos
Se valorar la presentacin del informe escrito y del artculo del Workshop.
Se valorar la presentacin y defensa del TFM.
Trabajos: se valorar el contenido, la precisin y el alcance del TFM desarrollado, as como la interpretacin de los resultados
10.- Evaluacin
Entrega y presentacin del TFM y del artculo cientfico.
Realizacin de trabajo individual escrito 80%
Realizar artculo cientfico 10%
Presentacin y defensa del TFM 10%
Total 100%
Observaciones:

156
Es obligatorio utilizar Latex para la presentacin de los artculos del workshop.
La plantilla que se debe usar es la de Lecture Notes.
No se pueden modificar los mrgenes ya que se va a publicar un libro con todos los trabajos. Para el espaol se debe utilizar el
paquete Babel.
Adems de todos los ficheros de Latex hay que entregar un pdf ya generado para su insercin en el libro.

Sistemas Inteligentes 2013 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistemas Inteligentes 2013 PDF

Cargado por

Copyright:

Formatos disponibles

Gua acadmica

guas acadmicas 2013-2014

También podría gustarte