Estudia

• Plantejar i proposar solucions basades en el coneixement i utilitzar tècniques i mètodes de la intel.lìgència artifical per resoldre problemes complexes.
• Explotar metodològicament la informació
• Obtenir informació rellevant de grans volums de dades.

1. PART I. MACHINE LEARNING TOOLS AND TECHNIQUES

          1.1. INTRODUCTION

                    1.1.1. Machine Leraning

                    1.1.2. Knowledge Discovery

                    1.1.3. Data Mining

                    1.1.4. AG, Multiagents and Ecosystems

                    1.1.5. Challenges

          1.2. LEARNING FROM OBSERVATION

                    1.2.1. Introduction

                    1.2.2. Induction Decision Trees

                    1.2.3. Inductive Learning

                    1.2.4. Ensemble Learning

          1.3. KNOWLEDGE IN LEARNING

                    1.3.1. Introduction

                    1.3.2. Explanation-Based Learning

          1.4. STATISTICAL LEARNING METHODS

                    1.4.1. Introduction

                    1.4.2. Neural Networks

                    1.4.3. Instance-Based Learning

                    1.4.4. Bayesian Networks

                    1.4.5. Support Vector Machine

          1.5. REINFORCEMENT LEARNING

2. PART II. REAL MACHINE LEARNING APPLICATIONS

          2.1. CASE STUDY 1

          2.2. CASE STUDY 2

• Russell, Stuart J., Norvig, Peter, Canny, John Francis (cop. 2003). Artificial intelligence : a modern approach (2nd ed.). Englewood Cliffs, N.J.: Prentice Hall.
• Mitchell, Tom M. (cop. 1997). Machine learning. New York [etc.]: The McGraw-Hill Companies.
• Witten, I. H., Frank, Eibe (cop. 2005). Data mining : practical machine learning tools andtechniques (2nd ed.). Amsterdam [etc.]: Morgan Kaufman.
• Pérez López, C. Santin González, D. (2007). Mineria de Datos. Técnicas y Herramientas (1ª Edició). Madrid: Thomson-Paraninfo .

Activitats d'avaluació:

La nota final (NF) s'obté del promig ponderat de la nota de pràctiques (NP), la nota de seminaris(NS), la nota de treballs (NW) i la nota de proves escrites (NE). El càlcul es farà de la manera següent:

NF = 0,3*NP + 0,2*NS + 0,3*NW + 0,2*NE


Aquest promig es farà sempre i quant es tingui que NP>5, NS>5, NW>5 i NE >5.

Durant el curs es proporcionaran articles específics i material complementari dels diversos temes.