IoT intelixente

• Coñecer e analizar a implicación da sensorización intelixente remota no medio ambiente.
• Coñecer o funcionamento das técnicas de análises de datos descentralizados en contornas de aprendizaxe perimetral ou federada.

PROGRAMA DE TEORÍA:

Tema 1: Fundamentos básicos da IoT intelixente

Tema 2: Plataformas HW/SW para IoT intelixente

Tema 3: Protocolos IoT para a creación de sistemas intelixentes

Tema 4: Despregamento de IA en dispositivos IoT: modelos de inferencia descentralizados

Tema 5: Monitorización intelixente

Sesión Contido
1-USC Tema 1: Fundamentos básicos da IoT intelixente
2-USC Tema 1: Fundamentos básicos da IoT intelixente
3-USC Tema 2: Plataformas HW/SW para IoT intelixente
4-USC Tema 2: Plataformas HW/SW para IoT intelixente
5-USC Tema 2: Plataformas HW/SW para IoT intelixente
6-UDC Tema 3: Protocolos IoT para a creación de sistemas intelixentes
7-UDC Tema 3: Protocolos IoT para a creación de sistemas intelixentes
8-UDC Tema 4: Despregamento de IA en dispositivos IoT
9-UDC Tema 4: Despregamento de IA en dispositivos IoT
10-UDC Tema 5: Monitorización intelixente


PROGRAMA DE PRÁCTICAS:

Despregamento de proxectos de aprendizaxe para inferencia en dispositivos perimetrais:
• Machine Learning sobre dispositivos de baixa potencia. [UDC]
• Despregamento de CNN sobre RaspberryPi para visión por computador. [USC]
A distribución aproximada das sesións de prácticas reflíctese na seguinte táboa. Ha de terse en conta que a distribución concreta pode variar en cada curso académico en función tanto dos horarios como do desenvolvemento da materia.
Sesión Duración Contido
USC 5 horas CNN sobre RaspberryPi para visión por computador
UDC 5 horas ML sobre dispositivo de baixa potencia (e.g., ESP8266, microcontrolador compatible con Arduino)

BIBLIOGRAFÍA BÁSICA:
Jan Holler, Vlasios Tsiatsis, Catherine Mulligan, Stefan Avesand, Stamatis Karnouskos David Boyle, From Machine-to-Machine to the Internet of Things: Introduction to a new Age of Intelligence, Academic Press; 1 edition

Peter Waher , Learning Internet of Things, Packt Publishing (January 27, 2015)

Samuel Greengard (2015). The Internet of Things. MIT Press

S. P. Yadav, B. S. Bhati, D. P. Mahato, S. Kumar, “Federated Learning for IoT Applications”, Springer (2022)

BIBLIOGRAFÍA COMPLEMENTARIA:
Vijay Madisetti, Arshdeep Bahga, Internet of Things (A Hands-on-Approach), Publisher: VPT; 1 edition (August 9, 2014)


Adrian McEwen, Hakim Cassimally, Designing the Internet of Things. Publisher: Wiley; 1 edition

ÁSICAS E XERAIS
CG1 - Manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo da Intelixencia Artificial.
CG2 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións.
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/o aplicación de ideas, a miúdo nun contexto de investigación
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades
CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirigido ou autónomo.

TRANSVERSAIS
CT5 - Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras.
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer prazos e cumprilos.

ESPECÍFICAS
CE19 - Coñecemento de diferentes ámbitos de aplicación das tecnoloxías baseadas en IA e a súa capacidade para ofrecer un valor engadido diferenciador.
CE20 - Capacidade de combinar e adaptar diferentes técnicas, extrapolando coñecementos entre diferentes ámbitos de aplicación.
CE21 - Coñecemento das técnicas que facilitan a organización e xestión de proxectos en IA en contornas reais, a xestión dos recursos e a planificación de tarefas dunha maneira eficiente, @teniendo en cuenta conceptos de diseminación do coñecemento e ciencia aberta.
CE22 - Coñecemento de técnicas que facilitan a seguridade dos datos, aplicacións e as comunicacións e as súas implicacións en diferentes ámbitos de aplicación da IA.
CE30 - Ser capaz de expor, modelar e resolver problemas que requiran a aplicación de métodos, técnicas e tecnoloxías de intelixencia artificial.

A materia desenvólvese mediante horas expositivas e horas interactivas, que se realizarán basicamente nos laboratorios de prácticas asignados. Nas clases expositivas o profesor expoñerá os contidos teóricos da materia, apoiándose en materiais multimedia.

Para a realización das prácticas os alumnos dispoñerán dun guión que reflectirá os seus obxectivos, material e métodos para a súa realización. Cada sesión de prácticas realizarase presencialmente na sede correspondente (USC ou UDC).

Para o estudo da materia o alumno dispoñerá da bibliografía básica da materia así como o material de apoio que use o profesor.

A avaliación da materia realizarase mediante unha proba final escrita, que supoñerá o 50 % da nota final.

A realización das prácticas é obrigatoria para poder superar a materia e supoñerá un 50 % da nota final. Esta avaliación realizarase en base ao traballo desenvolvido no laboratorio. Estudantes matriculados a tempo parcial: as datas de entrega das prácticas serán flexibles.

Para aprobar, requirirase unha nota mínima de 4 puntos sobre 10 tanto no exame escrito como na nota de prácticas.

Ao alumno que non se presente á proba final escrita reflectiráselle na acta a cualificación de NON PRESENTADO.

En caso de suspender a materia, a avaliación obtida sobre a actividade práctica realizada poderase manter para a segunda oportunidade se a súa nota é superior ao 50% da nota que outorgan. No caso de que non sexa superior a ese 50 % o alumno, nesta segunda oportunidade, realizará unha proba escrita, que supoñerá un 70 % da nota, e un exame práctico, que achegará o outro 30 %.

Este proceso de avaliación rexe tanto para alumnos de matrícula nova como para alumnos repetidores.

Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recolleito na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións.

De acordo coa memoria do título, esta materia contempla un total de 10 horas expositivas de clases de teoría e 10 horas de clases prácticas de laboratorio e/o aprendizaxe baseada en problemas.

Debido á alta correlación existente entre os conceptos desenvolvidos nas clases expositivas e os contidos das prácticas, recoméndase aos alumnos constancia no estudo da materia, acudindo ás sesións de prácticas cos conceptos xa traballados. Coa realización das prácticas, estes quedarán claros e asentados, facilitándose así o estudo e comprensión da materia.

A docencia impartirase en inglés.