bachelor en inteligencia artificial y data science la salle campus barcelona

Grado en Artificial Intelligence and Data Science

Métodos matemáticos para la inteligencia artificial

Descripción
En esta asignatura se focaliza en la introducción de métodos para la derivación, optimización, y aproximación de funciones de varias variables. De forma complementaria, se introducen aplicaciones en las áreas de procesamiento y análisis de señales en el dominio del tiempo y de la frecuencia.
Tipo asignatura
Tercer - Obligatoria
Semestre
Primero
Curso
2
Créditos
6.00

Profesores Titulares

Conocimientos previos

Fundamentos Matemáticos y Cálculo Diferencial e Integral.

Objetivos

Los resultados de Aprendizaje de esta asignatura son:

RA.1. Conocimientos de análisis matemático multivariante.
RA.2. Aplicación práctica de los conocimientos a la resolución de problemas.
RA.3. Se entienden los principios básicos del procesamiento de señales.
RA.4. Se adquieren los conocimientos generales de tratamiento y transmisión de señales.

Contenidos

Tema 1: Funciones de varias variables.
Tema 2: Derivación e integración de funciones de varias variables.
Tema 3: Optimización de funciones de varias variables.
Tema 4: Aproximación de funciones de varias variables.
Tema 5: Introducción a las señales y procesamiento de señales.
Tema 6: Análisis de señales en el dominio del tiempo.
Tema 7: Transformada de Fourier y análisis en el dominio de la frecuencia.
Tema 8: Transformada discreta de Fourier y análisis espectral.

Metodología

La asignatura se imparte en 5 sesiones lectivas semanales de 50 minutos de duración cada una. La dinámica habitual de cada clase consistirá en una combinación de explicaciones teóricas seguidas siempre de la realización de ejercicios que ejemplifiquen lo que se acaba de explicar. Metodologías aplicadas: clase magistral, clase de problemas y ejercicios.

Adicionalmente, en el eStudy se proporcionan recursos para que el estudiante pueda realizar actividades de autoaprendizaje (recursos bibliográficos en línea y vídeos indexados según sus contenidos). Metodología aplicada: self-paced learning.

Con el objetivo de alcanzar una visión aplicada de los conceptos expuestos en clase, se realizarán dos ejercicios prácticos usando el software MATLAB. Metodología aplicada: aprendizaje basado en retos.

Evaluación

Para poder evaluar cada una de las competencias, se han especificado 3 actividades de evaluación diferentes:

E1. Exámenes (60%)
De todo tipo: respuesta abierta, test, con o sin apuntes, etcétera.

E2. Ejercicios, problemas y prácticas (30%)
MATLAB. Individual o en grupo. El estudiante tiene a su disposición el material de consulta que considere oportuno. Muestra el grado de dominio del aprendizaje más allá de la mera memorización de la información.

E3. Participación a clase (10%)
Participación en la clase, taller o laboratorio. Puede incluir asistencia presencial, actitud, pruebas orales y/o escritas realizadas en clase, participación en foros de discusión, responder a preguntas y/o resolver situaciones mediante actuaciones, entre otros.

Criterios evaluación

En convocatoria ordinaria:
La nota de exámenes (NE) se obtiene a partir de la nota del punto de control (NEM) y la nota del examen final del semestre (NEF):

NE = max{ NEF, 0,6*NEF + 0,4*NEM}

Para poder aplicar esta fórmula, NEF tiene que ser >= 3,5. En caso contrario, NE = NEF.

La nota final de la asignatura (NFinal) se calcula con las notas de exámenes (NE), problemas y prácticas (NP) y participación a clase (NA) según la expresión siguiente:

NFinal = max{ NE, 0,6*NE + 0,3*NP + 0,1*NA }

Para poder aplicar esta fórmula, NE tiene que ser >= 3,5. En caso contrario, NFinal = NE y no se aprueba la asignatura.

La asignatura se aprueba en convocatoria ordinaria si NFinal es >= 5.

Si no se aprueba la asignatura en convocatoria ordinaria (final del semestre):
En julio habrá la convocatoria extraordinaria, que consiste en un examen de recuperación de todo el curso (incluyendo las prácticas de MATLAB), con nota de recuperación (NR).

La nota final de la asignatura en julio se calcula según la expresión siguiente:

NFinal = max{ NR, 0,6*NR + 0,3*NP + 0,1*NA }

Para poder aplicar esta fórmula, NR tiene que ser >= 4. En caso contrario, NFinal = NR y no se aprueba la asignatura.

La asignatura se aprueba en convocatoria extraordinaria si NFinal es >= 5.

Bibliografía básica

J.H. Hubbard, B.B. Hubbard, "Vector Calculus, Linear Algebra, and Differential Forms - A Unified Approach", Matrix Editions.
A.V. Oppenheim, R.W. Schafer, "Discrete-time signal processing", Prentice Hall.
T.K. Rawat, "Signals and systems", Oxford University Press.

Material complementario

G.B. Folland, "Fourier Analysis and its Applications", American Mathematical Society.
W. Rudin, "Principles of Mathematical Analysis", McGraw-Hill.
E.M. Stein, R. Shakarchi, "Fourier Analysis: An Introduction", Princeton University Press.