Escriu per cercar…

Sistemes d'aprenentatge automàtic

Aprenentatge supervisat i no supervisat, xarxes neuronals i aprenentatge profund: entrenar un model, avaluar-lo i saber quan no serveix.

IABD507266 h4 activitats8 pàgines6 resultats d'aprenentatge
1Fonaments matemàtics i càlcul vectorial12 h2Tensors i el cicle complet d'un model15 h3Aprenentatge supervisat: classificació i conjunts de dades15 h4Xarxes neuronals i aprenentatge profund24 h
A revisarRA4 — cap activitat no el treballa

Programa

Resultats d'aprenentatge

RA1Caracteritza la Intel·ligència Artificial forta i feble determinant usos i possibilitats.A16 criteris d'avaluació
  1. CA1Determina les especificitats d'Intel·ligència Artificial forta i feble.
  2. CA2Estableix les barreres entre la Intel·ligència Artificial i l'aprenentatge automàtic (Machine Learning).
  3. CA3Diferencia àmbits d'aplicació de la Intel·ligència Artificial forta i feble.
  4. CA4Identifica els problemes a què pot fer front la Intel·ligència Artificial feble.
  5. CA5Identifica els problemes a què pot fer front la Intel·ligència Artificial forta.
  6. CA6Reconeix els avantatges que proporciona cada tipus a la resolució dels problemes.
RA2Determina tècniques i eines de sistemes d'aprenentatge automàtic (Machine Learning), testejant la seva aplicabilitat per a la resolució de problemes.A1A25 criteris d'avaluació
  1. CA1Identifica els principis de sistemes d'aprenentatge automàtic.
  2. CA2Determina tipus i usos de sistemes d'aprenentatge automàtic.
  3. CA3Determina tècniques i eines de sistemes d'aprenentatge automàtic.
  4. CA4Troba diferències entre els tipus de sistemes d'aprenentatge automàtic.
  5. CA5Associa tècniques i eines a cada tipus de sistemes d'aprenentatge automàtic.
RA3Aplica algoritmes a l'aprenentatge supervisat, optimitzant el resultat del model i minimitzant els riscos associats.A2A38 criteris d'avaluació
  1. CA1Proporciona les dades etiquetades al model.
  2. CA2Selecciona les dades d'entrada, ja siguin per a la fase d'entrenament, fase de validació o fase de testatge de dades entre d'altres.
  3. CA3Utilitza les dades a la fase d'entrenament per a la construcció del model aplicant característiques rellevants obtingudes.
  4. CA4Avalua el model amb les dades obtingudes a la fase de validació.
  5. CA5Ajusta les dades d'aprenentatge supervisat a la fase d'ajustament per millorar el rendiment de les diferents característiques o paràmetres.
  6. CA6Implementa el model per fer prediccions sobre noves dades.
  7. CA7Detecta i minimitza els riscos associats al model.
  8. CA8Optimitza el model d'aprenentatge supervisat validant dades de prova.
RA4Aplica tècniques d'aprenentatge no supervisat relacionant-les amb els tipus de problemes que tracten de resoldre.4 criteris d'avaluació
  1. CA1Caracteritza els tipus de problemes que l'aprenentatge no supervisat tracta de resoldre.
  2. CA2Caracteritza les tècniques d'aprenentatge no supervisat utilitzades per resoldre aquests tipus de problemes.
  3. CA3Avalua algorismes utilitzats a l'aprenentatge no supervisat.
  4. CA4Optimitza el model d'aprenentatge no supervisat validant dades de prova.
RA5Aplica models computacionals de xarxes neuronals comparant-los amb altres mètodes d'Intel·ligència Artificial.A44 criteris d'avaluació
  1. CA1Avalua els models neuronals per triar el més adequat per a cada mena de problema.
  2. CA2Selecciona tècniques d'aprenentatge profund (deep learning) per entrenar xarxes de neurones.
  3. CA3Compara les xarxes de neurones artificials amb altres mètodes d'Intel·ligència Artificial.
  4. CA4Reconeix una xarxa de neurones entrenada a partir d'un conjunt de dades.
RA6Valora la qualitat dels resultats obtinguts a la pràctica amb sistemes d'aprenentatge automàtic integrant principis fonamentals de la computació.A2A3A45 criteris d'avaluació
  1. CA1Valora la conveniència dels algorismes proposats per donar solució als problemes plantejats.
  2. CA2Avalua l'aplicació pràctica dels principis i les tècniques bàsiques dels sistemes intel·ligents.
  3. CA3Integra els principis fonamentals de la computació a la pràctica per seleccionar, valorar i crear nous desenvolupaments tecnològics.
  4. CA4Desenvolupa sistemes i aplicacions informàtiques que utilitzen tècniques dels sistemes intel·ligents.
  5. CA5Desenvolupa tècniques d'aprenentatge computacional dedicades a l'extracció automàtica d'informació a partir de grans volums de dades.