Competencies and objectives

 

Course context for academic year 2011-12

La asignatura optativa ADEBS forma parte de la materia Técnicas de Reconocimiento de Formas e Inteligencia Artificial. Se imparte en el segundo cuatrimestre de primer curso del Máster y sus contenidos son una especialización de los vistos en la asignatura obligatoria Reconocimiento de Formas y Aprendizaje Automático.

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees)

General Competences (CG)

  • B1 : Capacidad de investigar en el diseño de arquitecturas de sistemas de información.
  • B10 : Capacidad para la identificación de la información relevante en las tareas de aprendizaje automático.
  • B2 : Capacidad para gestionar y diseñar bases de datos no tradicionales (documentales, textuales, almacenes de datos, etc.).
  • B3 : Capacidad de producir eficientemente la documentación técnica asociada al trabajo de investigación y desarrollo realizado.
  • B4 : Capacidad de investigar la forma de integrar sistemas informáticos.
  • B5 : Capacidad de especificar y desarrollar interfaces adecuados en tecnologías informáticas.
  • B6 : Conocimientos básicos de las técnicas estadísticas más relevantes para la investigación en las tecnologías informáticas.
  • B7 : Capacidad de modificar algoritmos clásicos para adaptarlos a cada situación.
  • B8 : Evaluar la calidad de los modelos para la elaboración de un proyecto de investigación.
  • B9 : Capacidad de desarrollo de heurísticas para la resolución de problemas.

 

Basic Competences and Competences included under the Spanish Qualifications Framework for Higher Education (MECES)

  • A1 : Capacidad de análisis y síntesis.
  • A10 : Capacidad de razonamiento y extracción de conclusiones.
  • A11 : Compromiso ético y respeto por la propiedad intelectual.
  • A12 : Habilidad de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
  • A13 : Habilidad de adaptación al ambiente cambiante propio de la disciplina, sabiendo aplicar los conocimientos adquiridos y resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • A14 : Capacidad de creatividad.
  • A15 : Capacidad de dirección de proyectos de desarrollo de investigación.
  • A16 : Motivación por la calidad.
  • A17 : Habilidad para transferir resultados de investigación.
  • A18 : Capacidad de autonomía científica y técnica.
  • A2 : Capacidad de organización y planificación.
  • A3 : Capacidad de comunicación oral y escrita (en la lengua nativa e inglesa) de los conocimientos y conclusiones (y razones últimas que las sustentan) a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • A4 : Capacidad de gestión de la información y de los recursos disponibles.
  • A5 : Capacidad de resolver problemas e integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • A6 : Capacidad de trabajar en equipo con iniciativa y espíritu emprendedor.
  • A7 : Capacidad de trabajar en un equipo de carácter interdisciplinar.
  • A9 : Habilidades en las relaciones interpersonales.

 

Specific Competences:>>Shape Recognition and AI Technologies

  • C1.1 : Capacidad de diseñar y evaluar sistemas que tomen decisiones.
  • C1.2 : Capacidad de diseñar un sistema robotizado para automatizar un proceso industrial.
  • C1.3 : Capacidad de programar un robot para que interactúe con su entorno utilizando datos sensoriales.
  • C1.4 : Habilidades en la manipulación (análisis, descripción, recuperación, etc.) de contenidos multimedia.
  • C1.5 : Capacidad de diseñar e implementar soluciones a problemas de visión artificial.
  • C1.6 : Conocimiento de técnicas de optimización.

 

 

 

Learning outcomes (Training objectives)

No data

 

 

Specific objectives stated by the academic staff for academic year 2011-12

- Comprender y saber como aplicar las técnicas estándar para construir programas que mejoran con la experiencia.
- Evaluar la calidad del modelo aprendido con datos estructurados.
- Comparar varios algoritmos de aprendizaje con datos estructurados.
- Justificar el uso de un determinado algoritmo de aprendizaje dada la naturaleza de los datos, el problema de aprendizaje y una medida de rendimiento.
- Usar, adaptar y extender algoritmos de aprendizaje a diferentes tipos de datos.
- Comprender y comparar algoritmos de búsqueda por similitud.
- Justificar el uso de un determinado algoritmo de búsqueda por similitud en una tarea dada.

 

 

;

General

Code: 11803
Lecturer responsible:
CALERA RUBIO, JORGE
Credits ECTS: 3,00
Theoretical credits: 0,70
Practical credits: 0,50
Distance-base hours: 1,80

Departments involved

  • Dept: LANGUAGES AND COMPUTING SYSTEMS
    Area: LANGUAGES AND COMPUTING SYSTEMS
    Theoretical credits: 0,7
    Practical credits: 0,5
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught