Anar al contingut (clic a Intro)
UdG Home UdG Home
Tancar
Menú

Estudia

Dades generals

Curs acadèmic:
2021
Descripció:
Es despleguen conceptes avançats de la IA en les àrees de sistemes recomanadors, sistemes multi-agent col·laboratius i competitius, aprenentatge automàtic en la era del big data i l’internet de les coses, raonament i modelització de la presa de decisions, i arquitectures cognitives
Crèdits ECTS:
5

Grups

Grup A

Durada:
Semestral, 1r semestre
Professorat:
Josep Lluis Arcos Rosell  / Maria Beatriz Lopez Ibañez
Idioma de les classes:
Català (75%), Anglès (25%)

Competències

  • CT06 Disenyar propostes creatives
  • CT11 Prendre decisions per la resolució de situacions diverses
  • CC4 Capacitat per a conèixer els fonaments, paradigmes i tècniques pròpies dels sistemes intel·ligents i analitzar, dissenyar i construir sistemes, serveis i aplicacions informàtiques que utilitzin aquestes tècniques en qualsevol àmbit d'aplicació.
  • CC5 Capacitat per adquirir, obtenir, formalitzar i representar el coneixement humà en una forma computable per a la resolució de problemes mitjançant un sistema informàtic en qualsevol àmbit d'aplicació, particularment els relacionats amb aspectes de computació, percepció i actuació en ambients o entorns intel·ligents.
  • CC7 Capacitat per a conèixer i desenvolupar tècniques d'aprenentatge computacional i dissenyar i implementar aplicacions i sistemes que les utilitzin, incloent les dedicades a extracció automàtica d'informació i coneixement a partir de grans volums de dades.

Continguts

1. Introducció

2. Metaheurístics

3. Técniques avançades de Machine Learning

4. Sistemes multiagent

5. Casos d'estudi: Sistemes recomanadors, Text, Imatges, So, Salut, Privacitat.

Activitats

Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total
Anàlisi / estudi de casos 12,00 33,00 0 45,00
Sessió participativa 26,00 30,00 0 56,00
Sessió pràctica 12,00 12,00 0 24,00
Total 50,00 75,00 0 125

Bibliografia

  • Gerhard Weiss (2013). Multiagent systems : a modern approach to distributed artificial intelligence. The MIT Press. Catàleg
  • Yoah Shoham, Kevin Leyton-Brown (2009). Multiagent systems: Algorithmic, Game-Theroretic, and Logical Foundations. Cambridge University Press. Catàleg
  • Dietmar Jannach, Markus Zanker, Alexander Felferning, Gerard Friedrich (2011). Recommender Systems. An Introduction. Cambridge University Press. Catàleg
  • Beatriz López (2013). Case-based reasoning. A concise introduction. Morgan & Claypool Publishers. Catàleg
  • Vicenç Torra, Yasuo Narukawa (2007). Modelització de decisions: fusió d'informació i operadors d'agregació. UAB. Catàleg
  • Witten, I. H (2017). Data mining : (4th edition). Cambridge, Massachusetts: Morgan Kaufmann. Catàleg
  • Alpaydin, Ethem (2010). Introduction to machine learning (2nd ed.). Cambridge [etc.]: The MIT Press. Catàleg
  • Harrington, Peter (2012). Machine learning in action. Shelter Island, [New York]: Manning. Catàleg
  • Leskovec, Jure (2014). Mining of massive datasets (2nd ed.). Cambridge: Cambridge University Press. Catàleg

Avaluació i qualificació

Activitats d'avaluació:

Descripció de l'activitat Avaluació de l'activitat % Recuperable
Projecte de curs Els criteris d'avaluació es defineixen en l'enunciat del treball.
El treball es lliurarà en etapes, i cal complir tots els lliuraments.
És recuperable.
50
Pràctiques amb ordinador. Activitat COIL (Collaboration On-line International Learning). A l'enunciat de cada pràctica es defineixen els criteris d'avaluació.
Cal lliurar cada pràctica en el termini establert, que també està indicat en l'enunciat de cada pràctica.
Cap pràctica tindrà un pes superior al 25% de la nota final.
No son recuperables. Una pràctica no lliurada a temps rep una qualificació de 0.
50 No

Qualificació

Pràctiques:
Totes les pràctiques s'avaluen entre 0-10.
La nota final de pràctiques s'obte de la mitjana de les pràctiques.

Treball: una única qualificació entre 0 i 10

Nota final.
La nota final de l'assignatura (NFA) s'obté a partir de les següents notes, sempre i quan la nota del treball sigui igual o superior a 4.

NFA = Nota de Pràctiques (50%) + Nota treball (50%)


Criteris específics de la nota «No Presentat»:
No Presentat: quan un estudiant no presenti CAP pràctica ni el treball, obtindrà una qualificació de No Presentat.

Avaluació única:
Els estudiants que optin per avaluació única hauran de realitzar un projecte del curs ampliat.
Els criteris d'avaluació es defineixen en l'enunciat del treball.

Requisits mínims per aprovar:
Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0

Tutoria

Les tutories es podran concertar mitjançant el correu electrònic i s’adaptaran, en la mesura del possible, als horaris de cada estudiant.

Comunicacio i interacció amb l'estudiantat

La comunicació es realitzarà en el fòrum d’avisos i notícies del Moodle així com per correu electrònic.

Observacions

Es complementarà la bibliografia amb articles de revistes i congressos internacionals.

Escull quins tipus de galetes acceptes que el web de la Universitat de Girona pugui guardar en el teu navegador.

Les imprescindibles per facilitar la vostra connexió. No hi ha opció d'inhabilitar-les, atès que són les necessàries pel funcionament del lloc web.

Permeten recordar les vostres opcions (per exemple llengua o regió des de la qual accediu), per tal de proporcionar-vos serveis avançats.

Proporcionen informació estadística i permeten millorar els serveis. Utilitzem cookies de Google Analytics que podeu desactivar instal·lant-vos aquest plugin.

Per a oferir continguts publicitaris relacionats amb els interessos de l'usuari, bé directament, bé per mitjà de tercers (“adservers”). Cal activar-les si vols veure els vídeos de Youtube incrustats en el web de la Universitat de Girona.