IR2122 - Reconocimiento de patrones

Curs 3 - Semestre 1

Activitats

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

Competències

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.

Resultats d'aprenentatge

- 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.