Estudia

• CB01 - Analitzar situacions complexes i dissenyar estratègies per resoldre-les
• CT04 Treballar en equip
• CB05 - Prendre decisions per a la resolució de situacions diverses
• CB05 Prendre decisions per a la resolució de situacions diverses
• CT06 Disenyar propostes creatives
• CT04 - Treballar en equip
• CT02 Treballar en equip
• CT08 - Dissenyar propostes creatives
• CT06 Dissenyar propostes creatives
• CES2 Analitzar problemes computacionals i desenvolupar solucions algorísmiques acord
• CCI6 Coneixement i aplicació dels procediments algorísmics bàsics de les tecnologies informàtiques per a dissenyar solucions a problemes, analitzar la idoneïtat i complexitat dels algorísmics proposats
• CCI7 Coneixement, disseny i utilització de forma eficient els tipus i estructures de dades més adequades a la resolució d'un problema.
• CCI8 Capacitat per analitzar, dissenyar, construir i mantenir aplicacions de forma robusta, segura i eficient, elegint el paradigma i els llenguatges de programació més adequats
• CE17 - Coneixement i aplicació dels procediments algorísmics bàsics de les tecnologies informàtiques per dissenyar solucions a problemes , analitzant la idoneïtat i complexitat dels algorismes proposats
• CE18 - Coneixement, disseny i utilització de forma eficient els tipus i estructures de dades més adequades a la resolució d'un problema
• CE19 - Capacitat per analitzar, dissenyar, construir i mantenir aplicacions de forma robusta, segura i eficient, triant el paradigma i els llenguatges de programació més adequats
• CCI15 Coneixement i aplicació dels principis fonamentals i tècniques bàsiques dels sistemes intel·ligents de la seva aplicació pràctica.
• CE25 - Coneixement i aplicació dels principis fonamentals i tècniques bàsiques dels sistemes intel·ligents i la seva aplicació pràctica

1. Introducció a la Intel·ligència Artificial

2. Resolució de problemes amb cerca

          2.1. Representació de problemes: espais d'estats i arbre de cerca

          2.2. Cerca exhaustiva, no exhaustiva, i amb adversari

3. Planificació

          3.1. Definició, aplicacions complexitat i llenguatge (Planning Domain Definition Language, PDDL)

          3.2. Planificadors: com resoldre problemes de planificació

4. Representació del coneixement probabilístic

          4.1. Representació: Xarxes Bayesianes i naive Bayes

          4.2. Inferència exacta i aproximada amb xarxes Bayesianes

5. Aprenentatge automàtic

          5.1. Introducció a l'aprenentatge automàtic

          5.2. Avaluació: estratègies i mètriques

          5.3. Aprenentatge no supervisat (k-means)

          5.4. Aprenentatge supervisat (KNN, Arbres de decisió i Boscos aleatoris, Xarxes neuronals)

• Russell, Stuart J.|q(Stuart Jonathan) (cop. 2010 ). Artificial intelligence : a modern approach (3rd ed.). Upper Saddle River: Prentice Hall. Catàleg
• Ertel, Wolfgang (cop. 2011 ). Introduction to artificial intelligence . London [etc.]: Springer. Catàleg
• Nilsson, Nils J (cop. 2001 ). Inteligencia artificial : una nueva síntesis . Madrid [etc.]: McGraw Hill. Catàleg
• Escolano Ruiz, Francisco (cop. 2003 ). Inteligencia artificial : modelos, técnicas y áreas de aplicación . Madrid: Thomson. Catàleg
• Patrik Haslum, Nir Lipovetzky, Daniele Magazzeni (2019). An Introduction to the Planning Domain Definition Language. Morgan & Claypool Publishers. Catàleg
• Kevin P. Murphy (2012). Machine learning: a probabilistic perspective (1). Cambridge, Mass: MIT Press. Catàleg
• Millington, Ian (2009). Artificial intelligence for games (2nd ed.). Burlington, MA: Morgan Kaufmann/Elsevier. Catàleg
• Donna L. Hudson, Maurice E. Cohen (2000). Neural Networks and Artificial Intelligence for Biomedical Engineering. Wiley. Catàleg
• Rezaul Begg, Daniel T.H. Lai, Marimuthu Palaniswami (2007). Computational Intelligence in Biomedical Engineering. CRC Press. Catàleg

Activitats d'avaluació:

Per aprovar l'assignatura, l'alumne haurà de presentar-se a les dues proves d'avaluació i obtenir una qualificació d'al menys quatre (>=4) a cadascuna d'elles. També haurà de lliurar totes les pràctiques en els terminis establerts.

Les PACs podran incloure preguntes sobre les pràctiques de laboratori. Respondre malament a aquestes preguntes podrà suposar una penalització en la nota de Pràctiques de laboratori.

La qualificació final de l'assignatura es calcularà com la mitjana ponderada d'acord amb els percentatges disponibles a la taula anterior.

L'alumne que no superi la qualificació mínima (>=4) a alguna de les proves d'avaluació (ni en convocatòria ordinària ni en recuperació) tindrà una qualificació final de l'assignatura de 4.

No es permet l'ús d'eines d'IA generativa en les activitats avaluables de l'assignatura.

Criteris específics de la nota «No Presentat»:
La qualificació de No Presentat s'atorgarà només a l'alumne que no s'hagi presentat a cap prova d'avaluació.

Avaluació única:
L'alumne que demani l'avaluació única haurà de:

1) lliurar les pràctiques de laborati, que representa el 30% de la nota (no recuperable).

2) presentar-se a la prova d'avaluació única, que consta de dues parts (amb nota mínima de 4) i representa el 70% de la nota (les dues parts seran recuperables).

Les pràctiques de laboratori s'hauran de lliurar dins els mateixos terminis que la resta d'alumnes. L'alumne que no superi la qualificació mínima (>=4) a alguna de les parts (ni en convocatòria ordinària ni en recuperació) tindrà una qualificació final de l'assignatura de 4.

Requisits mínims per aprovar:
Per superar l’assignatura, cal obtenir una qualificació mínima de 5.

Les tutories podran ser presencials o telemàtiques. Per concertar una tutoria, cal enviar un correu al professor corresponent i acordar data-hora i mitjà.

La comunicació amb l'alumnat es realitzarà, a banda de les classes presencials, mitjançant correu electrònic, els forums i altres eines de comunicació de Moodle, això com per videotrucada si així s'acorda.