Share in:

This course is about the computational part of Mathematical Logic. Here, "computational" refers to what is amenable to be computed by means of an automatic process. In this sense, the goal of Computational Logic is to automatize the operation of proving a fact as a theorem given some prior knowledge (axioms or premises).

Share in:

La asignatura se estructura en dos partes muy diferenciadas: La primera parte se basa en que el participante adquiera unos conocimientos básicos sobre el software libre (los objetivos docentes) estos conocimietnos son imprescindibles si queremos entender qué es el software libre y la repercusión que está teniendo en los aspectos personales, profesionales e institucionales. La segunda parte se basa en la práctica; es decir, en adquirir unas determinadas habilidades en el manejo de software libre; los blogs y wikis son las tecnolgías características de lo que se conoce como Web 2.0, que actualmente está cambiando todo lo relativo a internet (productos, metodologías, modelos de negocio,...).

Share in:

La asignatura, denominada Informática en los Planes de Estudos de Ingeniería Industrial y de Ingeniería Quimica, es fundamentalmente práctica. Si bien el primer tema se dedica al estudio de los fundamentos informáticos, tanto en lo que se refiere al aspecto físico como al lógico del ordenado, el resto de capítulos se se centran en los fundamentos de la programación de los ordenadores, las principales estructuras de datos y los conceptos básicos y el análisis de los algoritmos fundamentales. Como lenguaje de implementación se ha escogido TurboPascal por ser un paradigma de uno los lenguajes de programación más didácticos existentes en la actualidad.

Share in:

The general objective is to provide students with a sound grounding of scientific, methodological and technological fundamentals in Ontological Engineering and the Semantic Web areas. This knowledge will be later used to build applications that can integrate, combine and infer heterogeneous and distributed information.

Share in:

This course motivates and introduces graphical models (with special attention to Bayesian networks) as well consolidated and popular tools with the ability to represent knowledge under uncertainty and reason with it, one of the main challenges in building intelligent systems in Artificial Intelligence. Uncertainty is modelled with probability theory and reasoning is based on Bayes’ rule. Bayesian networks represent factorizations of joint probability distributions. Nodes represent the variables of the domain and links represent the properties of conditional dependences and independences among the variables. The course will provide an in-depth exposition of theoretical and practical underpinnings. The course starts explaining the meaning of these networks to model both causal and non-causal knowledge under uncertainty, and both from a structural viewpoint (qualitative) and from a parametric viewpoint (quantitative). The following step is to query the network about different issues of interest, i.e. to make inferences from evidence that is being gathered. For example, we can ask for the diagnosis of a disease or for the most probable explanation of the observed evidence. The inference algorithms can obtain an exact or an approximate answer, the latter being computed via e.g. Monte Carlo simulation. The network is built with the aid of a domain expert, but it can also be induced from a database. This calls modern learning algorithms including parameter learning and structure learning techniques. Finally, additional topics include a number of successful real-world applications in different areas.

Share in:

El objetivo principal de la asignatura es que el alumno sea capaz de aplicar las técnicas clásicas más importantes de Reconocimiento de Patrones y las Redes Neuronales Artificiales más extendidas (tanto supervisadas como no supervisadas) a problemas concretos, algunas veces con datos sintéticos y otras veces con datos del mundo real (p.e. imágenes) utilizando Matlab para ello. El alumno debe comprender las características principales comunes a todas las técnicas basadas en el aprendizaje, así como a evaluar las ventajas e inconvenientes de la utilización de cada técnica en particular para un problema en concreto. Para ello van resolviendo los mismos problemas mediante ejercicios planteados con las distintas técnicas explicadas durante el curso y realizan igualemente 2 trabajos que engloban el análisis comparativo de las técnicas explicadas.

Share in:

Este es un curso introductorio que cubre algunos de los temas más fundamentales de reconocimiento de patrón de cadena. Habrá una descripción general de los temas, pero no habrá un debate en profundidad de cada uno. En su lugar, el curso pretende dar al estudiante una visión general del campo.

Share in:

El objetivo principal de la asignatura es que el alumno sea capaz de aplicar las técnicas clásicas más importantes de Reconocimiento de Patrones y las Redes Neuronales Artificiales más extendidas (tanto supervisadas como no supervisadas) a problemas concretos, algunas veces con datos sintéticos y otras veces con datos del mundo real (p.e. imágenes) utilizando Matlab para ello. El alumno debe comprender las características principales comunes a todas las técnicas basadas en el aprendizaje, así como a evaluar las ventajas e inconvenientes de la utilización de cada técnica en particular para un problema en concreto. Para ello van resolviendo los mismos problemas mediante ejercicios planteados con las distintas técnicas explicadas durante el curso y realizan igualemente 2 trabajos que engloban el análisis comparativo de las técnicas explicadas.

Share in:

Share in:

Share in:

Share in:

Share in:

Share in:

Share in:

Share in: