UA
   TÈCNIQUES D'INTEL·LIGÈNCIA ARTIFICIAL    Any acadèmic       Versió PDF.  Versió PDF per a convalidació.
Codi9183Descripció
Crdts. Teor.2,25APRENENTATGE. PERCEPCIÓ.
Crdts. Pract.2,25
A efectes d'intercanvis en programes de mobilitat, la càrrega d'aquesta assignatura equival a 5,62 ECTS.


Departamentos y Áreas
DepartamentsÀreaCrdts. Teor.Crdts. Pract.Dpto. Respon.Respon. Acta
CIÈNCIA DE LA COMPUTACIÓ I INTEL·LIGÈNCIA ARTIFICIALCIÈNCIA DE LA COMPUTACIÓ I INTEL·LIGÈNCIA ARTIFICIAL2,252,25


Estudis en què s'imparteix
Enginyeria en Informàtica - pla 2001


Prerequisitos
DISSENY I ANÀLISI D'ALGORISMES
LÒGICA COMPUTACIONAL


Incompatibilitats de matricula per continguts equivalents
Sense Dades


Matriculats (2013-14)
Grup (*)Nombre
1 29
TOTAL 29
(*) 1: GRUPO 1 - CAS


Oferida com a lliure elecció (2013-14)
Sense departament
Consulta Gràfica d'Horari
A efectes d'intercanvis en programes de mobilitat, la càrrega d'aquesta assignatura equival aFeu clic ací


Horari (2013-14)
Sense horari


Grups de matricula (2013-14)
Grup (*)QuadrimestreTornIdiomaDistribució (lletra nif)
1 2do. M CAS des de - fins a -
(*) 1: GRUPO 1 - CAS


Objectius de l'assignatura / competències (2013-14)
* Conocer las áreas de la Inteligencia Artificial: Visión Artificial y Aprendizaje.
* Implementar algoritmos de Visión Artificial y Aprendizaje en Java.


Continguts teòrics i pràctics (2013-14)
TEORIA:
1. Introducción a la Visión Artificial:
a. Filtrado por Deconvolución.
b. Características geométricas: edges, corners, lineas, círculos.
c. Características de área: esqueletos, momentos invariantes.
d. Segmentación: Clustering EM, algoritmo de blobs.
e. Reconocimiento mediante matching de grafos.
2. Introducción al Aprendizaje
a. Redes neuronales. Perceptrones y Mapas Auto-organizativos.
b. Clasificadores Naïve Bayes.
c. Árboles de Decisión.
d. Support Vector Machines.
e. Modelos ocultos de Markov.
f. Boosting. Adaboost.

PRACTICAS:
1. Implementación de un algoritmo de Visión Artificial con JavaVis
2. Implementación de un algoritmo de Aprendizaje en Java.


Enllaç al programa
Professor/a responsable
CAZORLA QUEVEDO , MIGUEL ANGEL


Metodologia docent (2013-14)
Classes teòriques i pràctiques
Clase magistral con participación de los estudiantes.


Tipus d'activitats: teòriques i pràctiques
Laboratoris
Visión Artificial: Introducir la Librería de Visión Artificial JavaVis
http://javavis.sourceforge.net/ y implementar un algoritmo de los
vistos en clase (clasificación de imágenes, segmentación, etc).

Aprendizaje: Implementación de un algoritmo de Aprendizaje en
Java. Este algoritmo podrá estar relacionado con el desarrollado
para la practica anterior.


Professorat (2013-14)
Grup Professor
TEORIA DE 91831CAZORLA QUEVEDO, MIGUEL ANGEL
Enllaços relacionats
Sense Dades


Bibliografia

Inteligencia artificial : modelos, técnicas y áreas de aplicación
Autors:Escolano Ruiz, Francisco
Edició:Madrid : Thomson, 2003.
ISBN:84-9732-183-9
Recomanat per: CAZORLA QUEVEDO, MIGUEL A. (*1)
[ Accés al catàleg de la biblioteca universitària ]
(*1) Aquest professor ha recomanat el recurs bibliogràfic a tot l'alumnat de l'assignatura.
Dates d'exàmens oficials (2013-14)
ConvocatòriaGrup (*)DataHora d’iniciHora d’fiAules assignadesObservacions:
Proves extraordinarias de finalització d'estudis -1 26/11/2013 15:00 18:00 EP/S-02M -
Període ordinari per a assignatures de segon semestre i anuals -1 09/06/2014 09:00 12:00 0039PS002 -
Proves extraordinàries de assignatures de grau i màster -1 07/07/2014 11:30 14:30 EP/0-24P -
(*) 1: GRUPO 1 - CAS


Instruments i criteris d'avaluació (2013-14)
Examen final
Se realizará un examen final de teoría de la asignatura. También se propondrán una serie de prácticas. El alumno debe aprobar ambas partes para aprobar la asignatura. No se guarda para julio ni diciembre la nota de teoría.