Resultados de Aprendizaje y Criterios de Evaluación
-
a)
Se han determinado las especificidades de Inteligencia Artificial fuerte y débil.
-
b)
Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje automático (Machine Learning).
-
c)
Se han diferenciado ámbitos de aplicación de la Inteligencia Artificial fuerte y débil.
-
d)
Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial débil.
-
e)
Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.
-
f)
Se han reconocido las ventajas que proporciona cada tipo en la resolución de los problemas.
-
a)
Se han identificado los principios de sistemas de aprendizaje automático.
-
b)
Se han determinado tipos y usos de sistemas de aprendizaje automático.
-
c)
Se han determinado técnicas y herramientas de sistemas de aprendizaje automático.
-
d)
Se han encontrado diferencias entre los tipos de sistemas de aprendizaje automático.
-
e)
Se han asociado técnicas y herramientas a cada tipo de sistemas de aprendizaje automático.
-
a)
Se han proporcionado los datos etiquetados al modelo.
-
b)
Se han seleccionado los datos de entrada, ya sean para la fase de entrenamiento, fase de validación o fase de testeo de datos entre otras.
-
c)
Se han utilizado los datos en la fase de entrenamiento para la construcción del modelo aplicando características relevantes obtenidas.
-
d)
Se ha evaluado el modelo con los datos obtenidos en la fase de validación.
-
e)
Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento de las diferentes características o parámetros.
-
f)
Se ha implementado el modelo para realizar predicciones sobre nuevos datos.
-
g)
Se han detectado y minimizado los riesgos asociados al modelo.
-
h)
Se ha optimizado el modelo de aprendizaje supervisado validando datos de prueba.
-
a)
Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.
-
b)
Se han caracterizado las técnicas de aprendizaje no supervisado utilizadas para la resolución de dichos tipos de problemas.
-
c)
Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.
-
d)
Se ha optimizado el modelo de aprendizaje no supervisado validando datos de prueba.
-
a)
Se han evaluado los modelos neuronales para elegir el más adecuado para cada clase de problema.
-
b)
Se han aplicado técnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.
-
c)
Se han comparado las redes de neuronas artificiales con otros métodos de inteligencia artificial.
-
d)
Se ha reconocido una red de neuronas entrenada a partir de un conjunto de datos.
-
a)
Se ha valorado la conveniencia de los algoritmos propuestos para dar solución a los problemas planteados.
-
b)
Se ha evaluado la aplicación práctica de los principios y técnicas básicas de los sistemas inteligentes.
-
c)
Se han integrado los principios fundamentales de la computación en la práctica para seleccionar, valorar y crear nuevos desarrollos tecnológicos.
-
d)
Se han desarrollado sistemas y aplicaciones informáticas que utilizan técnicas de los sistemas inteligentes.
-
e)
Se han desarrollado técnicas de aprendizaje computacional dedicadas a la extracción automática de información a partir de grandes volúmenes de datos.