Inteligencia Artificial Aplicada a Comunicaciones Móviles de Última Generación
Código: 45625Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Ingeniería de Telecomunicación | OB | 1 |
Profesor/a de contacto
- Nombre :
- Ivan Pisa Dacosta
- Correo electrónico :
- ivan.pisa@uab.cat
Equipo docente
- Vanessa Moreno Font
- Marc Codina Barberà
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Se espera que el alumnado tenga conocimientos previos sobre señales y sistemas, técnicas de comunicaciones digitales, sistemas de comunicaciones móviles y programación básica de dispositivos digitales.
Objetivos
El objetivo principal de este curso es proporcionar al alumnado una comprensión exhaustiva de cómo se puede aplicar la Inteligencia Artificial (IA) a los sistemas de comunicaciones móviles de próxima generación. Los objetivos específicos son:
- Comprender las técnicas de preprocesamiento de datos y las métricas de evaluación que son esenciales para el desarrollo y la implementación de modelos de IA.
- Distinguir entre los métodos de aprendizaje supervisado y no supervisado, y aplicarlos en el contexto de las telecomunicaciones.
- Comprender y utilizar algoritmos de aprendizaje profundo para resolver problemas complejos relacionados con las comunicaciones móviles.
- Explorar las diversas aplicaciones de la IA en la gestión de recursos, las interfaces de radio, los gemelos digitales y las técnicas avanzadas de detección para redes móviles.
- Desarrollar e implementar soluciones basadas en IA en plataformas digitales y dispositivos integrados para aplicaciones de comunicaciones móviles en tiempo real.
Resultados de aprendizaje
- (CA01) Implantar soluciones basadas en inteligencia artificial en sistemas de comunicaciones móviles actuales y emergentes, como gemelos digitales y técnicas avanzadas de sensado, garantizando la calidad y eficiencia del servicio y el mínimo impacto ambiental.
- (CA02) Evaluar las desigualdades que se pueden producir en distintos ámbitos debido al uso de sistemas inteligentes y de aprendizaje computacional
- (KA01) Relacionar los conceptos fundamentales de inteligencia artificial y aprendizaje automático con su aplicación a las comunicaciones móviles, incluyendo técnicas de preprocesado de datos y métricas de evaluación.
- (KA02) Enumerar los algoritmos de aprendizaje supervisado, no supervisado y profundo (CNNs, RNNs, Transformers), ilustrando sus aplicaciones específicas en el procesamiento de señales y la optimización de redes móviles.
- (SA01) Aplicar técnicas de aprendizaje supervisado y no supervisado para resolver problemas prácticos en comunicaciones móviles. .
- (SA02) Implementar modelos de aprendizaje profundo para mejorar el rendimiento y la eficiencia de las redes móviles.
Contenidos
1- Introducción a la IA en las comunicaciones móviles
- Conceptos fundamentales de la inteligencia artificial y el aprendizaje automático.
- Preprocesamiento de datos y métricas de evaluación.
2- Aprendizaje supervisado y no supervisado.
- Clasificación y regresión.
- Agrupación y detección de anomalías.
3- Algoritmos de aprendizaje profundo
- Redes neuronales convolucionales (CNN)
- Redes neuronales recurrentes (RNN)
- Aplicaciones específicas del aprendizaje profundo en el procesamiento de señales y la optimización de redes.
4- Aplicaciones de la IA en las comunicaciones móviles
- Diseño e implementación de soluciones de IA para las comunicaciones móviles.
- Despliegue de algoritmos de IA en plataformas digitales y dispositivos incrustados.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Autónoma | |||
| Desarrollo de un proyecto relacionado con la asignatura y trabajo invidual | 80 | 3,2 | CA01, CA02, KA01, KA02, SA01, SA02 |
| Tipo: Dirigida | |||
| Clases de teoría | 30 | 1,2 | CA01, CA02, KA01, KA02, SA01 |
| Prácticas de laboratorio | 15 | 0,6 | CA01, CA02, KA01, SA01, SA02 |
| Tipo: Supervisada | |||
| Tutorías | 15 | 0,6 | CA01, CA02, KA01, KA02, SA01, SA02 |
Actividades dirigidas
Clases magistrales
- Exposición de conceptos teóricos combinados con ejemplos prácticos y casos de estudio relacionados con las aplicaciones de la inteligencia artificial en los sistemas de comunicaciones móviles de próxima generación.
Sesiones de laboratorio
- Actividades prácticas que incluyen el análisis de datos, el desarrollo de modelos de aprendizaje automático y aprendizaje profundo, y la implementación de soluciones basadas en la inteligencia artificial utilizando herramientas de software y plataformas digitales relevantes para las comunicaciones móviles.
Actividades autónomas
- Estudio individual del material del curso.
- Preparación de trabajos de laboratorio y entregables del proyecto.
- Desarrollo de un proyecto semestral que incluye el diseño, la implementación y la evaluación de soluciones de IA para sistemas de comunicaciones móviles.
- Elaboración de informes técnicos y presentaciones.
Actividades supervisadas
Tutorías
- Reuniones individuales o en pequeños grupos destinadas a aclarar dudas, ofrecer orientación sobre las actividades de laboratorio y supervisar el desarrollo del proyecto del curso.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen de validación individual | 30% | 2 | 0,08 | CA01, CA02, KA01, KA02, SA01, SA02 |
| Informes de laboratorio | 30% | 5 | 0,2 | CA01, CA02, KA01, KA02, SA01, SA02 |
| Proyecto del curso | 40% | 3 | 0,12 | CA01, CA02, KA01, KA02, SA01, SA02 |
Esta asignatura no cuenta con un único sistema de evaluación. No se permite el uso de la IA en las actividades de evaluación.
1- Actividades de evaluación:
Informes de laboratorio (LR) – 30 %: Evaluación basada en la participación en las clases de laboratorio y los informes entregados.
Proyecto del curso (CP) – 40 %: Diseño, implementación y evaluación de una solución basada en inteligencia artificial que aborde un problema relacionado con los sistemas de comunicación móvil de próxima generación. La evaluación tendrá en cuenta la calidad técnica de la solución, la documentación del proyecto y la presentación final.
Examen de validación individual (IVE) – 30 %: examen individual compuesto por preguntas breves y/o ejercicios prácticos relacionados con el contenido del curs. Su objetivo es verificar la comprensión de cada estudiante sobre los contenidos de la assignatura.
2- Calendario de las actividades de evaluación:
IVE: Las fechas del examen de validación individual se publicarán en el Campus Virtual y en la página web de la Escuela de Ingeniería.
LR: El calendario de las sesiones de laboratorio y los informes a entregar se publicará en el Campus Virtual.
CP: La fecha de presentación del CP se fijará a lo largo del semestre. Previsiblemente, a finales del semestre.
Ten en cuenta que el calendario puede modificarse debido a circunstancias imprevistas. Por favor, consulta el Campus Virtual con frecuencia, ya que cualquier modificación se publicará allí.
3- Calificación final
La calificación final se calculará de la siguiente manera:
Nota final = 0.30 × LR + 0.40 × CP + 0.30 × IVE
Para aprobar la asignatura, los alumnos deben obtener:
- Una calificación mínima de 5.0/10 en LR, CP e IVE.
- Una calificación final igual o superior a 5.0/10.
Si un estudiante no ha participado en ninguna de las actividades, su calificación será «No Presentado». Para el alumnado que no hayan alcanzado una Nota final >= 5.0 en las actividades anteriores, habrá una Evaluación Final (FA) y una Recuperación del proyecto del curso (CPR) que les permitirá aprobar la asignatura siempre y cuando haya realizado 2/3 de las Actividades de evaluación continuada de la asignatura. En este caso, la nota final se obtendrá mediante la siguiente fórmula:
Nota final = 0.30 × LR + 0.40 × CPR + 0.30 × FA
Tenga en cuenta que LR no es recuperable.
4- Solicitud de cambio de fecha
Existe un protocolo para la «solicitud de cambio de fecha de las actividades de evaluación» según los casos especificados en los criterios y directrices de evaluación de la Escuela de Ingeniería.
5- Irregularidades, copia y plagio
Sin perjuicio de cualquier otra medida disciplinaria que se considere oportuna, cualquier irregularidad cometida por un estudiante que pueda dar lugar a una alteración de los resultados de la evaluación se calificará con un cero. Por lo tanto, copiar, plagiar, hacer trampa, permitir que otros copien o cualquier conducta indebida similar en cualquier actividad de evaluación dará lugar a una calificación de cero para dicha actividad.
Nota: Queda rotundamente prohibido utilizar herramientas de IA en la redacción y realización de las actividades de evaluación. Si se detecta su uso, se avaluará aquella actividad con un 0.
6- Evaluación del alumnado que repite curso
No existe un procedimiento de evaluación diferenciado para el alumnado que repite curso. Por lo tanto, no se conservarán las calificaciones de los cursos académicos anteriores.
Bibliografía
Ian Goodfellow, Yoshua Bengio, & Aaron Courville (2016). Deep Learning. MIT Press.
Rappaport, T. S. (2014). Millimeter wave wireless communications. Prentice Hall.
Software
Matlab
Python
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TEmRD) Teoria (màster RD) | 1 | Inglés | segundo cuatrimestre | tarde |
| (PLABsmRD) Suport a les pràctiques de laboratori (màster RD) | 1 | Inglés | segundo cuatrimestre | tarde |