Competencies and objectives
Course context for academic year 2024-25
This is a continuation of subjects related to Artificial Intelligence (AI) seen in the Bachelor's Degree in Computer Engineering or the Bachelor's Degree in Artificial Intelligence, such as Intelligent Systems.
Graduates in the Master's Degree in Artificial Intelligence should know the fundamentals and techniques of AI to address problem solving and projects in which they will be involved during their professional practice.
Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2024-25
Transversal Competences
- CT1 : Ser capaç de liderar projectes relacionats amb la intel·ligència artificial, així com dirigir equips de treball.
- CT2 : Demostrar destreses informàtiques i informacionals en l'àmbit de la intel·ligència artificial.
- CT3 : Demostrar habilitats en comunicació oral i escrita.
General Competences
- CG1 : Aplicar els coneixements adquirits a problemes reals relacionats amb la intel·ligència artificial.
- CG10 : Ser capaç d'utilitzar els principis de l'enginyeria i les modernes tecnologies informàtiques per a investigar, dissenyar, implementar noves aplicacions de la intel·ligència artificial.
- CG2 : Ser capaç de desenvolupar i aprendre de forma acte-dirigida o autònoma temes relacionats amb la intel·ligència artificial
- CG7 : Ser capaç d'adaptar-se a la constant evolució de la disciplina i de comprendre i aplicar els nous avanços técnicocientíficos relacionats amb la intel·ligència artificial.
- CG8 : Saber projectar, dissenyar, desenvolupar, implantar i mantenir productes, aplicacions i serveis relacionats amb la intel·ligència artificial, tenint en compte aspectes tècnics, econòmics i d'eficiència.
Specific Competences
- CE01 : Conèixer els fonaments de l'optimització heurística i aplicar algorismes heurístics sobre problemes de cerca, incloent cerca evolutiva i problemes de satisfacció de restriccions.
Basic Competences
- CB10 : Que els estudiants posseïsquen les habilitats d'aprenentatge que els permeten continuar estudiant d'una manera que haurà de ser en gran manera autodirigido o autònom.
- CB6 : Posseir i comprendre coneixements que aporten una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
- CB7 : Que els estudiants sàpien aplicar els coneixements adquirits i la seua capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seua àrea d'estudi
- CB8 : Que els estudiants siguen capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, incloga reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis
- CB9 : Que els estudiants sàpien comunicar les seues conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
Learning outcomes (Training objectives)
- Define an efficient search space and cost function from a problem.
- Design and implement an evolutionary search algorithm to solve a problem.
- Formulate a problem as a constraint satisfaction problem and implement it efficiently.
- Define the concept of a planning system and its differences with respect to classical search techniques.
Specific objectives stated by the academic staff for academic year 2024-25
1. Compare and contrast the most common models for knowledge representation, identifying their strengths and weaknesses.
2. Build knowledge-based systems and engineering solutions to solve them.
3. Explain the difference between monotonic and non-monotonic inference.
4. Define an efficient search space and cost function from a problem.
5. Design and implement an evolutionary search algorithm to solve a problem.
6. Formulate a problem as a constraint satisfaction problem and implement it efficiently.
7. Define the concept of a planning system and its differences with respect to classical search techniques.
General
Code:
43500
Lecturer responsible:
ESCALONA MONCHOLI, FELIX
Credits ECTS:
4,50
Theoretical credits:
0,90
Practical credits:
0,90
Distance-base hours:
2,70
Departments involved
-
Dept:
SCIENCE OF COMPUTING AND ARTIFICIAL INTELLIGENCE
Area: SCIENCE OF COMPUTING AND ARTIFICIAL INTELLIGENCE
Theoretical credits: 0,9
Practical credits: 0,9
This Dept. is responsible for the course.
This Dept. is responsible for the final mark record.
Study programmes where this course is taught
-
UNIVERSITY MASTER'S DEGREE IN ARTIFICIAL INTELLIGENCE
Course type: COMPULSORY (Year: 1)