Esteu accedint a un curs acadèmic que no està actiu. La informació no correspon al curs acadèmic actual.
Esteu accedint a un curs acadèmic que no està actiu. La informació no correspon al curs acadèmic actual.
Curs 3 - Semestre 1
Ensenyaments teòrics
| 28 | 0 |
| Hores presencials | Hores no presencials |
Ensenyaments pràctics (laboratori)
| 20 | 0 |
| Hores presencials | Hores no presencials |
Avaluació
| 4 | 0 |
| Hores presencials | Hores no presencials |
Treball personal
| 0 | 60 |
| Hores presencials | Hores no presencials |
Treball de preparació dels exàmens
| 0 | 38 |
| Hores presencials | Hores no presencials |
CG01 - Capacitat d’anàlisi i síntesi.
CG05 - Capacitat de gestió de la informació.
CG06 - Resolució de problemes.
CT1 - Actuar de manera ètica, igualitària, inclusiva, responsable i sostenible, amb un mateix, amb els altres, amb la societat i amb el planeta en el seu conjunt.
E10 - Triar i implementar formats adequats de visualització de dades segons naturalesa de la informació en l'àmbit de la intel·ligència robòtica.
E12 - Dissenyar, implementar i avaluar sistemes de presa de decisions a partir de la recopilació, anàlisi i gestió de grans quantitats de dades en l'àmbit de la intel·ligència robòtica.
E30 - Aplicar tècniques de resolució de problemes basades en els principis de la intel·ligència artificial: agents intel·ligents; cerca; lògica; planificació; representació del coneixement; raonament probabilístic; reconeixement de formes i aprenentatge automàtic.
- Triar índexs de rendiment de models de classificació en funció de les característiques de la tasca que s'ha de resoldre, explicar-ne la idoneïtat i interpretar els resultats.
- Aplicar mètodes de selecció i extracció de característiques depenent de la naturalesa de les dades. Avaluar espais reduïts de representació atenent criteris de separabilitat entre classes.
- Aplicar mètodes de combinació de classificadors. Comparar i interpretar resultats de la combinació i dels models individuals involucrats.
- Aplicar mètodes de classificació basats en estimació de densitat i veïns més pròxims a tasques amb diferents nivells de complexitat atenent criteris de distribució espacial de mostres (punts), relació entre quantitat de mostres i dimensionalitat, distribució de mostres per classe, etc.
- Aplicar mètodes d'aprenentatge no supervisat a problemes amb dades no etiquetades.
- Aplicar fonaments de classificació probabilística, classificador de Bayes i classificador Naive Bayes.