Algoritmos

O obxectivo formativo desta materia é introducir ao alumnado no enfoque de problemas de programación máis complexos, a través dunha serie de estratexias algorítmicas básicas para a resolución dos devanditos problemas. Analizarase o custo en recursos computacionais das diferentes alternativas e, como casos paradigmáticos, describiranse e caracterizaranse os principais algoritmos de busca e ordenación e algunhas das súas aplicacións. Finalmente, completarase a formación en estruturas de datos non lineais, propoñendo a formalización e resolución de problemas mediante grafos.
Resultados de aprendizaxe:
- Saber resolver problemas de diversa índole, comprendendo a complexidade e a idoneidade das solucións propostas.
- Coñecer as estratexias algorítmicas básicas para o deseño de algoritmos eficientes.
- Saber aplicar algoritmos eficientes a problemas clásicos, como a ordenación e a busca.
- Saber determinar a complexidade espacial e temporal dos distintos algoritmos.
- Comprender e dominar estruturas de datos de tipo grafo e aprender a deseñar e aplicar algoritmos sobre elas, para resolver problemas básicos de IA.
- Aprender a deseñar e aplicar algoritmos en grafos, para resolver problemas básicos de IA.

Tema 1. Análise de algoritmos
Tema 2. Estruturas de datos non lineais: Grafos
Tema 3. Estratexias e técnicas algorítmicas
Tema 4. Algoritmos de busca e ordenación

Bibliografía Básica:
M.T. Goodrich, R. Tamassia, M.H. Goldwasser (2013). Data Structures and Algorithms in Python. John Wiley & Sons. ISBN: 978-1118290279.
K.A. Lambert (2014). Fundamentals of Python: Data Structures. Cengage Learning PTR. ISBN: 978-1285752006.
B.N. Miller, D.L. Ranum. (2011). Problem Solving with Algorithms and Data Structures using Python. Franklin, Beedle & Associates; 2nd edition ISBN: ‎ 978-1590282571.

Bibliografía Complementaria:
B. Agarwal, B. Baka (2018). Hands-On Data Structures and Algorithms with Python: Write complex and powerful code using the latest features of Python 3.7, 2nd Edition. Packt Publishing. ISBN: 978-1788995573.
B. Baka (2017). Python Data Structures and Algorithms: Improve application performance with graphs, stacks, and queues. Packt Publishing. ISBN: 978-1786467355
G. Brassard, P. Bratley. Fundamentos de algoritmia. 1ª edición. Madrid, Prentice Hall, 2002. ISBN: 84-89660-00-X (Biblioteca ETSE: A320 10 D)

A materia contribúe ao desenvolvemento das competencias básicas, xerais e específicas recollidas nos cadros correspondentes da citada memoria de título:

* Habilidades básicas:
[CB2] Que o alumnado saiba aplicar os seus coñecementos ao seu traballo ou vocación dun xeito profesional e posúa as competencias que adoitan demostrarse mediante o desenvolvemento e defensa de argumentos e resolución de problemas dentro da súa área de estudo.
[CB4] Que o alumnado poida transmitir información, ideas, problemas e solucións a públicos tanto especializados como non especializados.
[CB5] Que os e as estudantes desenvolveran aquelas habilidades de aprendizaxe necesarias para emprender estudos posteriores cun alto grao de autonomía.
* Habilidades xerais:
[CG1] Capacidade para concibir, escribir, organizar, planificar e desenvolver modelos, aplicacións e servizos no ámbito da intelixencia artificial, identificando obxectivos, prioridades, prazos, recursos e riscos, e controlando os procesos establecidos.
[CG2] Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade.
[CG3] Capacidade para deseñar e crear modelos e solucións de calidade baseadas na Intelixencia Artificial eficientes, robustas, transparentes e responsables.
[CG4] Capacidade para seleccionar e xustificar os métodos e técnicas adecuados para resolver un problema concreto, ou para desenvolver e propoñer novos métodos baseados na intelixencia artificial.
* Habilidades específicas:
[CE1] Capacidade para utilizar os conceptos e métodos matemáticos que poidan xurdir na modelización, abordaxe e resolución de problemas de intelixencia artificial.
[CE3] Capacidade para resolver problemas de intelixencia artificial que requiren algoritmos, desde o seu deseño e implementación ata a súa avaliación.
* Competencias transversais:
[TR2] Capacidade de traballo en equipo, en contornas interdisciplinarias e de xestión de conflitos.
[TR3] Capacidade para crear novos modelos e solucións de forma autónoma e creativa, adaptándose a novas situacións. Iniciativa e espírito emprendedor.
[TR6] Capacidade para integrar aspectos legais, sociais, ambientais e económicos propios da intelixencia artificial, analizando os seus impactos e apostando pola busca de solucións compatibles co desenvolvemento sostible.

A metodoloxía seguida utiliza o Campus Virtual da USC como plataforma básica. Na aula virtual da materia o alumnado disporá de toda a información (material teórico, exposicións de clase, guións prácticos, bibliotecas, etc.).
Impartiranse 20 horas de clases maxistrais en sesións de 1 hora, e haberá unha sesión semanal de dúas horas e media de traballo práctico (solución de problemas, programación).
O alumnado poderá seguir en todo momento o seu progreso, xa que ten continuamente dispoñible as notas dos exercicios e proxectos que teña que entregar para seguir o modelo de avaliación continua.
As competencias do tipo CB2, CB4, CB5, CG1, CG2, CG3, CG4, CE1 e CE3 teñen contidos asociados na parte teórico-práctica da materia e avalíanse de forma explícita nas probas que se realizan ao longo do curso.
A competencia TR2 trabállase fundamentalmente no aspecto da capacidade de organización e planificación, toma de decisións e resolución de problemas, nas entregas que teñen que realizar nas clases nas clases prácticas.
A competencia TR3 trabállase fundamentalmente no fomento da creatividade, o pensamento crítico, avaliando as diferentes posibilidades de resolución de problemas, tanto na teoría como na práctica, propoñendo problemas para desenvolver estas habilidades, con situacións cambiantes, e avalíanse na cualificación do problema. para entregar.
A competencia TR6 avalíase incluíndo os aspectos xurídicos, sociais, ambientais e económicos das solucións propostas aos diferentes exercicios, así como na explicación dos exercicios durante o desenvolvemento das clases expositivas.

A avaliación consta de dúas partes individuais separadas, teoría e práctica, sendo necesario superar as dúas partes de forma independente. Ademais, é necesario superar todos os módulos prácticos e todos os tests e probas teóricas que se realicen de forma independente.

A parte práctica da materia será avaliada mediante un proceso de AVALIACIÓN CONTINUA:
-30% da nota global: entrega de traballos prácticos durante o cuadrimestre, con prazos e normas de entrega/corrección prefixadas polo profesorado.
Utilízase para avaliar as competencias CB2, CG2, CG3, CE3, TR2 e TR3 mediante a entrega periódica das prácticas propostas durante o cuadrimestre.

A parte teórica (70% da nota global) avaliarase en dúas partes:
-10% da nota: Realización de tests ao longo do cuadrimestre.
-60% da nota: Exame global ao final do cuadrimestre
Utilízase para avaliar as competencias CB4, CB5, CG1, CG4, CE1 e TR6 mediante diferentes preguntas do exame de teoría e a avaliación dos exercicios que se imparten durante o cuadrimestre.

A entrega dalgún traballo (proxecto ou exercicio) posterior ao 1 de novembro estará asociada á consideración de PRESENTADA/O na cualificación da materia, con independencia da asistencia ou non ao exame final.

RECUPERACIÓN (2ª oportunidade):
Poderá presentarse a este exame o alumnado que non supere algunha das partes na avaliación continua, ou as persoas que opten directamente por esta opción.
- Teoría (70% da nota final): repetición de tests non superados e exame final escrito.
- Práctica (30% da nota final): realización das prácticas non superadas propoñendo exercicios de programación que se entregarán antes do exame final.

No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións.

En aplicación da Normativa da ETSE sobre plaxio (aprobada pola Xunta da ETSE o 19/12/2019), a copia total ou parcial dalgún exercicio de prácticas ou teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos casos.

Esta materia ten 6 créditos ECTS, correspondendo unha carga de traballo total de 150 horas. Este tempo pode desagregarse nos seguintes apartados:

TRABALLO PRESENCIAL NA AULA:
*Clases maxistrais: 20 horas
*Sesións prácticas en grupos reducidos: 30 horas
*Titorización individual do alumnado: 1 hora
Total horas traballo presencial na aula: 51 horas

TRABALLO PERSOAL DO ALUMNADO:
* Estudo autónomo: 39 horas
* Escritura de exercicios, traballos, etc.: 15 horas
* Programación/experimentación en computador: 35 horas
* Avaliación de traballos, proxectos, exames: 15 horas
Total horas traballo persoal: 99 horas

Supóñense uns coñecementos suficientes de linguaxe de programación Python e dos fundamentos de estruturas de datos lineais, árbores e grafos, que ven, respectivamente, nas materias de Programación I e II, e en Matemática Discreta de primeiro curso.
Recoméndase seguir o modelo de avaliación continua, o que significa levar a materia ao día. Desta forma seguiranse con maior facilidade as clases teóricas e as clases prácticas, o que fai a materia máis levadía.
Tamén se recomenda encarecidamente o uso das horas de titorías para aclarar calquera dúbida que se poida presentar no desenvolvemento da materia.

Utilizarase o campus virtual da USC para toda a docencia, publicación de material, guións de prácticas e entrega de traballos.
A materia impartirase principalmente en castelán.