Guia en format PDF
Logo

Intel·ligència Artificial Aplicada a Comunicacions Mòbils d'Última Generació

Codi: 45625
Crèdits: 6
2026/2027
Titulació Tipus Curs
Enginyeria de Telecomunicació OB 1

Professor/a de contacte

Nom :
Ivan Pisa Dacosta
Correu electrònic :
ivan.pisa@uab.cat

Equip docent

Vanessa Moreno Font
Marc Codina Barberà

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

S'espera que l'alumnat tingui coneixements previs de senyals i sistemes, tècniques de comunicacions digitals, sistemes de comunicacions mòbils i programació bàsica de dispositius digitals.

Objectius

L'objectiu principal d'aquest curs és proporcionar a l'alumnat una comprensió completa de com es pot aplicar la intel·ligència artificial (IA) als sistemes de comunicació mòbil de nova generació. Els objectius específics són:

  • Comprendre les tècniques de preprocessament de dades i les mètriques d'avaluació que són essencials per al desenvolupament i la implementació de models d'IA.
  • Distingir entre mètodes d'aprenentatge supervisat i no supervisat i aplicar-los en el context de les telecomunicacions.
  • Comprendre i utilitzar algorismes d'aprenentatge profund per resoldre problemes complexos relacionats amb les comunicacions mòbils.
  • Explorar les diverses aplicacions de la IA en la gestió de recursos, les interfícies de ràdio, els bessons digitals i les tècniques de captació avançades per a xarxes mòbils.
  • Desenvolupar i desplegar solucions basades en la IA en plataformes digitals i dispositius incrustats per a aplicacions de comunicació mòbil en temps real.

Resultats d'aprenentatge

  • (CA01) Implantar solucions basades en intel·ligència artificial en sistemes de comunicacions mòbils actuals i emergents, com ara bessons digitals i tècniques avançades de sensat, i garantir la qualitat i eficiència del servei i el mínim impacte ambiental.
  • (CA02) Avaluar les desigualtats que es poden produir en diferents àmbits a causa de l'ús de sistemes intel·ligents i d'aprenentatge computacional.
  • (KA01) Relacionar els conceptes fonamentals d’intel·ligència artificial i aprenentatge automàtic amb la seva aplicació a les comunicacions mòbils, incloent-hi tècniques de preprocessament de dades i mètriques d’avaluació.
  • (KA02) Enumerar els algoritmes d'aprenentatge supervisat, no supervisat i profund (CNN, RNN, transformers), i il·lustrar-ne les aplicacions específiques en el processament de senyals i l'optimització de xarxes mòbils.
  • (SA01) Aplicar tècniques d’aprenentatge supervisat i no supervisat per resoldre problemes pràctics en comunicacions mòbils.
  • (SA02) Implementar models d’aprenentatge profund per millorar el rendiment i l’eficiència de les xarxes mòbils.

Continguts

1- Introducció a la IA en les comunicacions mòbils

  • Conceptes fonamentals de la intel·ligència artificial i l'aprenentatge automàtic.
  • Preprocessament de dades i mètriques d'avaluació.

2- Aprenentatge supervisat i no supervisat

  • Classificació i regressió.
  • Agrupament i detecció d'anomàlies.

3- Algorismes d'aprenentatge profund

  • Xarxes neuronals convolucionals (CNN)
  • Xarxes neuronals recurrents (RNN)
  • Aplicacions específiques de l'aprenentatge profund en el processament de senyals i l'optimització de xarxes.

4- Aplicacions de la IA en les comunicacions mòbils

  • Disseny i implementació de solucions IA per comunicacions mòbils.
  • Desplegament d'algoritmes d'IA a plataformes digitals i sistemes encastats.

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Autònoma
Desenvolupament d'un projecte relacionat amb l'assignatura i treball individual 80 3,2 CA01, CA02, KA01, KA02, SA01, SA02
Tipus: Dirigida
Classes de teoria 30 1,2 CA01, CA02, KA01, KA02, SA01
Pràctiques de laboratori 15 0,6 CA01, CA02, KA01, SA01, SA02
Tipus: Supervisada
Tutories 15 0,6 CA01, CA02, KA01, KA02, SA01, SA02

Activitats dirigides


Classes teòriques

  • Presentació de conceptes teòrics combinats amb exemples pràctics i casos d'estudi relacionats amb les aplicacions de la intel·ligència artificial en sistemes de comunicació mòbil de nova generació.


Sessions de laboratori

  • Activitats pràctiques que inclouen l'anàlisi de dades, el desenvolupament de models d'aprenentatge automàtic i d'aprenentatge profund, i la implementació de solucions basades en la IA mitjançant eines de programari i plataformes digitals rellevants per a les comunicacions mòbils.


Activitats autònomes


  • Estudi individual del material del curs.
  • Preparació de les activitats del laboratori.
  • Desenvolupament d'un projecte de semestre sencer que inclou el disseny, la implementació i l'avaluació de solucions d'IA per a sistemes de comunicació mòbil.
  • Preparació d'informes i entregues del projecte.


Activitats supervisades


Tutories

  • Trobades individuals o en grup reduït destinades a aclarir dubtes, orientar sobre les activitats de laboratori i supervisar el desenvolupament del projecte del curs.


Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen de validació individual 30% 2 0,08 CA01, CA02, KA01, KA02, SA01, SA02
Informes de laboratori 30% 5 0,2 CA01, CA02, KA01, KA02, SA01, SA02
Projecte del curs 40% 3 0,12 CA01, CA02, KA01, KA02, SA01, SA02

Aquest curs no disposa d'un únic sistema d'avaluació.


1- Activitats d'avaluació:


Informes de laboratori (LR) – 30 %: Avaluació basada en la participació al laboratori i els informes entregats.

Projecte del curs (CP) – 40 %: Disseny, implementació i avaluació d'una solució basada en la IA que abordi un problema relacionat amb els sistemes de comunicació mòbil de nova generació. L'avaluació tindrà en compte la qualitat tècnica de la solució, la documentació del projecte i la presentació final.

Examen de validació individual (IVE) – 30 %: Examen individual que consta de preguntes curtes i/o exercicis pràctics relacionats amb el contingut del curs. El seu objectiu és verificar la comprensió per part de cada estudiant dels continguts de l'assignatura.


2- Calendari de les activitats d'avaluació:


IVE: Les dates de l'Examen de validació individual (IVE) es publicaran al Campus Virtual i a la pàgina web de l'Escola d'Enginyeria.

LR: L'horari de les activitats de laboratori (sessions pràctiques i lliurables) es publicarà al Campus Virtual.

CP: La data de la presentació del CP s'acordarà durant el semestre. Previsiblement, al final del semestre.


Tingueu en compte que l'horari es pot modificar per causes imprevistes. Si us plau, consulteu sovint el Campus Virtual, ja que qualsevol modificació s'hi publicarà.


3- Nota final


La nota final es calcularà de la manera següent:


Nota final = 0.30 × LR + 0.40 × CP + 0.30 × IVE


Per aprovar l'assignatura, l'alumnat ha d'obtenir:

  • Una nota mínima de 5.0/10 a LR, CP i IVE.
  • Una nota final igual o superior a 5.0/10.


Si un o una estudiant no ha participat en cap de les activitats, la seva qualificació serà 'No presentat'. Per a l'alumnat que no hagin assolit una Nota final >= 5.0, hi haurà una Avaluació Final (FA) i una Recuperació del Projecte (CPR) per poder superar l'assignatura sempre i quan hagi realitzat 2/3 de les Activitats d'avaluació continuada de l'assignatura. En aquest cas, la Nota Final s'obtindrà mitjançant l'expressió següent:


Nota Final = 0.30 x LR + 0.40 x CPR + 0.30 x FA


No està previst cap activitat de recuperació per a las activitats LR.


4- Sol·licitud de reprogramació


Hi ha un protocol per a la «sol·licitud de reprogramació d'activitats d'avaluació» d'acord amb els casos especificats en els criteris i les directrius d'avaluació de l'Escola d'Enginyeria.


5- Irregularitats, còpia i plagi


Sense perjudici de qualsevol altra mesura disciplinària que es pugui considerar adient, qualsevol irregularitat comesa per un estudiant que pugui comportar una alteració dels resultats de l'avaluació serà qualificada amb una nota de zero. Per tant, la còpia, el plagi, el frau, permetre que altres copiïn o qualsevol altra irregularitat similar en qualsevol activitat d'avaluació comportarà una nota de zero per a aquesta activitat.


Nota: Queda rotundament prohibit fer servir eines de IA en la redacció i realització de les activitats d'avaluació. Si es detecta el seu ús, s'avaluarà aquella activitat amb un 0.


6- Avaluació de l'alumnat que repeteix


No hi ha cap procediment d'avaluació diferenciat per a l'alumnat que repeteix. Per tant, no es conservaran les notes dels cursos acadèmics anteriors.

Bibliografia

Ian Goodfellow, Yoshua Bengio, & Aaron Courville (2016). Deep Learning. MIT Press.


Rappaport, T. S. (2014). Millimeter wave wireless communications. Prentice Hall.

Programari

Matlab


Python

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TEmRD) Teoria (màster RD) 1 Anglès segon quadrimestre tarda
(PLABsmRD) Suport a les pràctiques de laboratori (màster RD) 1 Anglès segon quadrimestre tarda