Ficha asignatura

La asignatura optativa ADEBS forma parte de la materia Técnicas de Reconocimiento de Formas e Inteligencia Artificial. Se imparte en el segundo cuatrimestre de primer curso del Máster y sus contenidos son una especialización de los vistos en la asignatura obligatoria Reconocimiento de Formas y Aprendizaje Automático.

MÀSTER UNIVERSITARI EN TECNOLOGIES DE LA INFORMÀTICA

• B1: Capacitat d'investigar en el disseny d'arquitectures de sistemes d'informació.
• B2: Capacitat per a gestionar i dissenyar bases de dades no tradicionals (documentals, textuals, magatzems de dades, etc.).
• B3: Capacitat de produir eficientment la documentació tècnica associada al treball de recerca i de desenvolupament dut a terme.
• B4: Capacitat d'investigar la manera d'integrar sistemes informàtics.
• B5: Capacitat d'especificar i desenvolupar interfícies adequades en tecnologies informàtiques.
• B6: Coneixements bàsics de les tècniques estadístiques més rellevants per a la investigació en les tecnologies informàtiques.
• B7: Capacitat de modificar algorismes clàssics per a adaptar-los a cada situació.
• B8: Avaluar la qualitat dels models per a l'elaboració d'un projecte d'investigació.
• B9: Capacitat per a desenvolupar heurístiques per a la resolució de problemes.
• B10: Capacitat per a identificar la informació rellevant en les tasques d'aprenentatge automàtic.

de Tecnologies de Reconeixement de Formes i d'Intel·ligència Artificial
• C1.1: Capacitat de dissenyar i avaluar sistemes que prenguen decisions.
• C1.2: Capacitat de dissenyar un sistema robotitzat per a automatitzar un procés industrial.
• C1.3: Capacitat de programar un robot perquè interactue amb el seu entorn utilitzant dades sensorials.
• C1.4: Habilitats en la manipulació (anàlisi, descripció, recuperació, etc.) de continguts multimèdia.
• C1.5: Capacitat de dissenyar i implementar solucions a problemes de visió artificial.
• C1.6: Coneixement de tècniques d'optimització.

• A1: Capacidad de análisis y síntesis.
• A2: Capacidad de organización y planificación.
• A3: Capacidad de comunicación oral y escrita (en la lengua nativa e inglesa) de los conocimientos y conclusiones (y razones últimas que las sustentan) a públicos especializados y no especializados de un modo claro y sin ambigüedades.
• A4: Capacidad de gestión de la información y de los recursos disponibles.
• A5: Capacidad de resolver problemas e integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
• A6: Capacidad de trabajar en equipo con iniciativa y espíritu emprendedor.
• A7: Capacidad de trabajar en un equipo de carácter interdisciplinar.
• A9: Habilidades en las relaciones interpersonales.
• A10: Capacidad de razonamiento y extracción de conclusiones.
• A11: Compromiso ético y respeto por la propiedad intelectual.
• A12: Habilidad de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
• A13: Habilidad de adaptación al ambiente cambiante propio de la disciplina, sabiendo aplicar los conocimientos adquiridos y resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
• A14: Capacidad de creatividad.
• A15: Capacidad de dirección de proyectos de desarrollo de investigación.
• A16: Motivación por la calidad.
• A17: Habilidad para transferir resultados de investigación.
• A18: Capacidad de autonomía científica y técnica.

- Comprender y saber como aplicar las técnicas estándar para construir programas que mejoran con la experiencia.
- Evaluar la calidad del modelo aprendido con datos estructurados.
- Comparar varios algoritmos de aprendizaje con datos estructurados.
- Justificar el uso de un determinado algoritmo de aprendizaje dada la naturaleza de los datos, el problema de aprendizaje y una medida de rendimiento.
- Usar, adaptar y extender algoritmos de aprendizaje a diferentes tipos de datos.
- Comprender y comparar algoritmos de búsqueda por similitud.
- Justificar el uso de un determinado algoritmo de búsqueda por similitud en una tarea dada.

1. Introducción: aprendizaje inductivo e inferencia gramatical.
2. Identificación en el límite y complejidad.
3. Aprendizaje con muestras positivas.
4. Aprendizaje con muestras completas.
5. Autómatas finitos estocásticos.
6. Aprendizaje con muestras jerarquizadas (árboles).
7. Introducción a la búsqueda por similitud.
8. Algoritmos eficientes de búsqueda por similitud.