1 Modelos de datos (20h.)

• Descripción. Características generales. Tipos de modelos de datos. Compatibilidades entre modelo de datos.

2 Sistemas gestores de datos (20h.)

• Características.
• Componentes de un sistema gestor de datos.
• Funcionamiento de un sistema gestor de datos.
• Relación entre los sistemas gestores de datos y los modelos de datos.
• Características de los  sistemas  gestores  de  datos  operacionales  (OLAT). 
• Características  de  los  sistemas  gestores  de  datos orientados a las tomas de decisiones o análisis de datos (OLAP).
• Sistemas gestores de datos avanzados.

3 Procedimientos de extracción y consulta de información en los sistemas gestores de  datos (20h.)

• Búsquedas  en  sistemas  gestores. 
• Optimización  de  la  recuperación.
• Utilización  de  lenguajes  de  consultas.
• Ventajas e inconvenientes. Entornos de trabajo.
• Utilización de herramientas.
• Ventajas e  inconvenientes.
• Funcionalidades.
• Presentación  de la información.
• Normativa aplicable en materia de protección de datos.

• Técnicas de entrenamiento en el aprendizaje automático.
• Tipos de aprendizaje automático: supervisado, no supervisado, semi‐supervisado, por refuerzo.
• Tipos de problemas: clasificación, regresión, segmentación, detección de objetos.
• Técnicas  paramétricas:  Basadas  en  distribuciones  de  probabilidad  conocidas:  ‘Gaussian  Mixture Models’ u otras.
• Técnicas  no  paramétricas:  (árboles  de  decisión:  clásicos,  ‘random  forest’,  ‘gradient  boosting’, ‘extremely  randomized  trees’; Vecinos más próximos  (k‐NN); ‘Kernel density estimation’; ‘Support Vector Machines’ (SVM); K‐Means.
• Técnicas Holísticas: redes neuronales: ‘fully connected’, ‘convolutional’, ‘recurrent’, ‘transformers’, ‘autoencoders’, ‘encoder‐decoder’, seq2seq u otras.
• Técnicas de regularización para evitar el sobreaprendizaje.
• Métricas  para  evaluar  la  calidad  de  los  modelos  diseñados  y  entrenados:  MSE,  MAE,  ‘accuracy’, precisión, ‘recall’ o ‘sensitivity’, ‘specificity’, ‘F1 score’, ratio de falsos positivos y de falsos negativos, área  bajo  la  curva  ROC,  ‘DICE  coeffient’,  ‘Intersection  over  Union’  (IoU),  y  otros  específicos  del problema a abordar. Herramientas software con la implementación de las técnicas de aprendizaje automático.

Desarrollo  de  componentes  software  específicos  para  sistemas  de  Inteligencia Artificial basados en aprendizaje automático

1 – Modelización  de  algoritmos  de  carácter  general  y  específicos  de  Inteligencia Artificial

• Técnicas de abstracción de problemas reales para su traslado a la elaboración de algoritmos.
• Interpretación  de  gráficos  y  la  documentación  de  análisis  y  diseño  para  la  elaboración  de algoritmos.
• Técnicas de modularización. ‘Top‐down’ y ‘bottom‐up’.
• Herramientas de abstracción lógica para modelizar. Algoritmos y técnicas. Gestión y ordenación de archivos,  búsqueda  ordenada y  secuencial,  divide y  vencerás,  programación  dinámica, algoritmos voraces,  recursividad,  búsquedas  con  retroceso,  ramificación  y  poda,  programación  lineal  y reducciones, algoritmos recursivos y otros.
• Técnicas de representación de algoritmos: pseudocódigo y diagramas de flujo.

2 – Resolución de problemas generales y específicos de Inteligencia Artificial aplicando Programación Orientada a Objetos

• Clases. Tipología. Clase base, clase derivada, clase abstracta.
• Relaciones entre clases. Herencia. Visibilidad. Multiplicidad.
• Atributos y operaciones.
• Sobrecarga. Polimorfismo.
• Interfaces. Implementación y aplicación.
• Constructores.
• Tipos de datos básicos o elementales. Numéricos, alfanuméricos y lógicos (‘boolean’).
• Tipos  y  estructuras  de  datos  complejos.  Cadenas,  vectores,  tablas  multidimensionales,  árboles, grafos, conjuntos, pilas, colas, tablas hash y colecciones.
• Paso de mensajes.
• Sentencias de la programación estructurada: asignaciones, condiciones, bucles e iteraciones.

3 – Mecanismos  de  control,  gestión  en  integración  en  Programación  Orientada  a Objetos aplicada a la Inteligencia Artificial

• Control de errores.
• Herramientas de desarrollo y depuración.
• Componentes de terceros. Complementos y librerías.
• Librerías  y  mecanismos  de  acceso  y  manipulación  de  datos  estructurados  y  no  estructurados externos.
• Procedimientos a seguir para elaborar un plan de pruebas. Tipos de prueba.
• Empaquetado de código en librerías. Refactorización.

4 – Interpretación de diagramas de modelización de problemas

• Estándares. ‘Unified Modelling Language’ (UML).
• Interpretación  de  diagramas  que  representan  el  sistema  de  manera  estática.  Diagramas  de
• Estructura Estática. Diagramas de Clases.
• Interpretación de diagramas de interacción. Interpretación de diagramas de Casos de Uso.
• Interpretación  de  diagramas  que  representan  la  interacción  organizada.  Diagramas  de  Casos  de
• Colaboración.
• Interpretación  de  diagramas  de  Modelado  Dinámico.  Diagramas  de  Actividades.  Diagramas  de
• Secuencia,  Diagramas  de  Colaboración,  Diagramas  de  Estados,  Diagramas  de  Casos  de  Uso, Diagramas de Actividades.