1. Introducció a la Intel·ligència Artificial
2. Aprenentatge automàtic
2.1. Conceptes bàsics i introducció als mètodes d'aprenentatge automàtic
2.2. Arbres de decisió i classificació
2.3. Mètodes K-NN
2.4. Sistemes recomanadors
3. Representació del coneixement
3.1. Mètodes basats en lògica clàssica. Lògica de predicats
3.2. Representació del coneixement imprecís. Sistemes difusos
3.3. Representació del coneixement probabilístic. Xarxes Bayesianes
4. Resolució de problemes: Cerca heurística i jocs
4.1. Representació de problemes mitjançant espais d'estats
4.2. Mètodes de cerca de solucions dins un espai d'estats. L'algorisme A*
4.3. Representació de jocs mitjançant arbres de cerca. L'algorisme Minimax
Per aprovar l'assignatura, l'alumne haurà de lliurar totes les pràctiques en els terminis establerts i presentar-se a la prova d'avaluació, que haurà d'aprovar obtenint una qualificació més gran o igual a cinc (5.0).
La qualificació final de l'assignatura es calcularà com la mitjana, ponderada pels tants per cent corresponents, de les notes de la prova d'avaluació, les pràctiques i els exercicis, sempre que hagi obtingut una nota de prova d'avaluació igual o superior a 5. En cas que el alumne no aconsegueixi una nota igual o superior a 5 a cap de les dues convocatòries de la prova d'avaluació (ordinària i de recuperació), la qualificació final de l'assignatura serà la millor nota de les dues convocatòries.
Criteris específics de la nota «No Presentat»:
Només obtindran la qualificació de no presentat els estudiants que no lliurin cap pràctica i no es presentin a cap prova d'avaluació.
Avaluació única:
El alumnes que demanin l'avaluació única hauran de lliurar a final de quatrimestre dos treballs i fer una prova on entrarà tota la matèria impartida
Requisits mínims per aprovar:
Per superar l’assignatura, cal obtenir una qualificació mínima de 5 punts