Competències i objectius
Context de l'assignatura per al curs 2023-24
Sense dades
Competències de l'assignatura (verificades per ANECA en graus i màsters oficials) per al curs 2023-24
Competències transversals
- CT01 : Utilitzar de manera habitual les eines informàtiques, així com les tecnologies de la informació i les comunicacions, en tot el seu acompliment professional.
- CT02 : Comunicar de manera oral i escrita transmetent informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
Competències generals
- CG2 : Conéixer, seleccionar i aplicar mètodes dels diferents camps de la intel·ligència artificial per a la resolució de problemes d'enginyeria.
- CG4 : Obtindre solucions eficients, òptimes i/o probables aplicant els principis propis de l'enginyeria i el mètode científic, descrivint de forma adequada el problema i realitzant una avaluació sòlida de la proposta
- CG8 : Concebre, desenvolupar i implantar sistemes d'intel·ligència artificial tenint en compte aspectes de qualitat i seguretat, dins del marc normatiu, a més d'atendre criteris mediambientals i d'ús racional, ètic i eficient de recursos i informacióndas
Competències Específiques
- CE29 : Diferenciar els diferents tipus de paradigmes d'aprenentatge automàtic i aplicar-los a tasques d'agrupament, classificació i regressió.
- CE30 : Avaluar la qualitat i rendiment d'un sistema d'aprenentatge automàtic per a així determinar les seues fortaleses i febleses, determinar la seua aplicabilitat real i proposar vies de millora
Competències bàsiques
- CB3 : Que els estudiants tinguen la capacitat de reunir i interpretar dades rellevants (normalment dins de la seua àrea d'estudi) per a emetre judicis que incloguen una reflexió sobre temes rellevants d'índole social, científica o ètica
- CB5 : Que els estudiants hagen desenvolupat aquelles habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia
Resultats d'aprenentatge (Objectius formatius)
1. Determinar els contextos d'aplicació dels diferents estils d'aprenentatge: supervisat, semisupervisado, no supervisat i per reforç.
2. Explorar algorismes d'agrupament i avaluar-los sobre tasques concretes.
3. Implementar, entrenar i avaluar regresores lineals.
4. Implementar, entrenar i avaluar tant classificadors bayesians ingenus com basats en regressió multinomial logística (softmax) i en perceptrones multicapa.
5. Avaluar i reduir l'impacte dels biaixos i el sobreaprendizaje en models d'aprenentatge automàtic.
6. Validar l'acompliment dels models mitjançant tècniques com la validació creuada o la representació de matrius de confusió.
7. Caracteritzar les perspectiva històrica i l'estat de la qüestió en el camp de l'aprenentatge automàtic, inclosos els seus assoliments i les seues limitacions.
8. Explorar algorismes de veïns més pròxims en tasques de regressió i classificació.
9. Integrar les solucions existents en llibreries i frameworks d'aprenentatge automàtic en problemes concrets
Objectius específics indicats pel professorat per al curs 2023-24
Sense dades
Dades generals
Codi:
33675
Professor/a responsable:
Sense dades
Crèdits ECTS:
6,00
Crèdits teòrics:
1,20
Crèdits pràctics:
1,20
Càrrega no presencial:
3,60
Departaments amb docència
-
Dep.:
Llenguatges i Sistemes Informàtics
Àrea: LLENGUATGES I SISTEMES INFORMATICS
Crèdits teòrics: 1,2
Crèdits pràctics: 1,2
Aquest departament és responsable de l'assignatura.
Aquest dep. és responsable de l'acta.
Estudis en què s'imparteix
-
GRAU EN ENGINYERIA EN INTEL·LIGÉNCIA ARTIFICIAL
Tipus d'assignatura: OBLIGATÒRIA (Curs: 3)