Estudia

• CG3- Comunicar-se de manera efectiva oralment i per escrit preparant documents i exposant projectes i resultats amb llengua anglesa
• CG4- Dissenyar propostes creatives
• CB10- Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran manera autodirigida o autònoma
• CE1- Programar, a nivell avançat, en els llenguatges i llibreries més utilitzats en la robòtica de camp intel·ligent
• CE2- Analitzar un problema relacionat amb sistemes autònoms intel·ligents i identificar les tècniques i les eines apropiades per resoldre'l
• CE3- Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic
• CE8- Comprendre els fonaments matemàtics dels algorismes utilitzats en els sistemes robòtics intel·ligents

1. Overview of basic statistics and probability

          1.1. Getting started with R

          1.2. Basic concepts and data exploration

          1.3. Probability distributions

          1.4. Sampling, estimation and hypothesis testing

2. Introduction to multivariate data analysis

          2.1. Multivariate data

          2.2. Data reduction: principal components analysis and biplot

          2.3. Supervised classification: discriminant analysis

          2.4. Resampling and cross-validation

          2.5. Correspondence analysis of count data

          2.6. Low-dimensional visualisation: multidimensional scaling

3. Statistical modelling

          3.1. Linear and generalised linear regression

          3.2. Logistic regression for binary response

          3.3. Poisson regression for counts

          3.4. Additive models based on smooth splines

          3.5. Model assessment and simplification

          3.6. Regression analysis with many variables

• Faraway, J.J. (2016). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models (Segona). Chapman and Hall/CRC.
• Hastie, T., Tibshirani, R. and Friedman, J.H. (2016). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Segona). Springer.
• James, G., Witten, D., Hastie, T. and Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (Segona). Springer.
• Johnson, R.A., Wichern, D.W. (2007). Applied Multivariate Statistical Analysis (Sisena). Pearson Prentice Hall.

Activitats d'avaluació:

El professorat avaluarà cada una de les tasques proposades durant el desenvolupament de l'assignatura. També es tindrà en compte la participació de l'alumnat en les diferents activitats.

Criteris específics de la nota «No Presentat»:
No lliurar les tasques i els treballs d'avaluació continuada.

Avaluació única:
L'avaluació única de l'assignatura s'acordarà amb el professorat a principi de curs i pot consistir en un examen o pràctica final que inclourà els diferents blocs de l'assignatura.

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

L'alumnat podran sol·licitar fer tutories presencials o bé online amb Google Meet o equivalent. Les tutories podran ser individuals o amb grup.

El professorat de l'assignatura es comunicarà amb l'alumnat mitjançant les vies habituals a través del Moodle de l'assignatura i a través del mail.