Competències i objectius

 

Context de l'assignatura per al curs 2024-25

El aprendizaje automático (en inglés Machine Learning) se basa en la inferencia a partir de ejemplos para aprender modelos sin ser explícitamente programados con un conjunto fijo de reglas.

El proceso de se divide en una primera fase de aprendizaje donde un modelo aprende patrones y relaciones entre variables a partir de ejemplos (datos) para luego en una segunda fase ser utilizado para realizar predicciones o tomar decisiones sobre nuevos datos.

Existen varios tipos de técnicas como aprendizaje supervisado, no supervisado y por refuerzo. El aprendizaje supervisado implica el uso de datos etiquetados para entrenar el modelo, mientras que el aprendizaje no supervisado se utiliza para encontrar patrones y estructuras en los datos no etiquetados. El aprendizaje por refuerzo implica que el algoritmo aprenda a través de un proceso de ensayo y error, recibiendo recompensas positivas o negativas en función de su comportamiento.

Estás técnicas se aplican en una amplia variedad de campos como la fabricación, las ventas, la salud, los viajes y alojamientos, los servicios financieros y la energía, entre otros. En la actualidad, se van ampliando los campos de aplicación y problemas que son capaces de resolver.

 

 

Competències de l'assignatura (verificades per ANECA en graus i màsters oficials) per al curs 2024-25

Competències transversals

  • CT1 : Ser capaç de liderar projectes relacionats amb la intel·ligència artificial, així com dirigir equips de treball.
  • CT2 : Demostrar destreses informàtiques i informacionals en l'àmbit de la intel·ligència artificial.
  • CT3 : Demostrar habilitats en comunicació oral i escrita.

 

Competències generals

  • CG1 : Aplicar els coneixements adquirits a problemes reals relacionats amb la intel·ligència artificial.
  • CG10 : Ser capaç d'utilitzar els principis de l'enginyeria i les modernes tecnologies informàtiques per a investigar, dissenyar, implementar noves aplicacions de la intel·ligència artificial.
  • CG2 : Ser capaç de desenvolupar i aprendre de forma acte-dirigida o autònoma temes relacionats amb la intel·ligència artificial
  • CG5 : Saber gestionar la informació i els recursos disponibles relacionats amb intel·ligència artificial.
  • CG6 : Ser capaç d'adaptar-se a entorns relacionats amb la intel·ligència artificial, fomentant el treball en equip, la creativitat, la capacitat crítica i l'esperit emprenedor.
  • CG7 : Ser capaç d'adaptar-se a la constant evolució de la disciplina i de comprendre i aplicar els nous avanços técnicocientíficos relacionats amb la intel·ligència artificial.
  • CG8 : Saber projectar, dissenyar, desenvolupar, implantar i mantenir productes, aplicacions i serveis relacionats amb la intel·ligència artificial, tenint en compte aspectes tècnics, econòmics i d'eficiència.

 

Competències Específiques

  • CE08 : Conèixer en profunditat tecnologies d'aprenentatge automàtic, algorismes i eines (inclòs l'aprenentatge supervisat, no supervisat o reforçat).
  • CE09 : Aprendre a usar mètriques i tècniques per a la validació i comparació dels resultats de mètodes d'aprenentatge automàtic.

 

Competències bàsiques

  • CB10 : Que els estudiants posseïsquen les habilitats d'aprenentatge que els permeten continuar estudiant d'una manera que haurà de ser en gran manera autodirigido o autònom.
  • CB6 : Posseir i comprendre coneixements que aporten una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
  • CB7 : Que els estudiants sàpien aplicar els coneixements adquirits i la seua capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seua àrea d'estudi
  • CB8 : Que els estudiants siguen capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, incloga reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis
  • CB9 : Que els estudiants sàpien comunicar les seues conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats

 

 

 

Resultats d'aprenentatge (Objectius formatius)

- Entendre els conceptes fonamentals de l'aprenentatge automàtic.

- Comprendre les fases de tractament de dades, selecció de característiques i mètodes d'avaluació d'un sistema de classificació.

- Descriure les principals arquitectures utilitzades en aprenentatge automàtic, així com les aplicacions més típiques.

- Identificar el tipus d'algorisme d'aprenentatge automàtic més apropiat per a diversos tipus de problemes en diferents dominis.

- Implementar algorismes d'aprenentatge automàtic utilitzant diferents eines.

 

 

Objectius específics indicats pel professorat per al curs 2024-25

  • Conocer el proceso de extracción de características.
  • Conocer y solucionar problemas asociados a la recolección de datos.
  • Conocer y comprender diferentes métodos de aprendizaje de tipo supervisado, no supervisado y aprendizaje por refuerzo.
  • Conocer e Interpretar el paradigma y estructura de un clasificador convencional.
  • Ser capaz de plantear y solucionar un problema basado en aprendizaje automático.

 

 

Dades generals

Codi: 43504
Professor/a responsable:
Rico Juan, Juan Ramón
Crèdits ECTS: 4,50
Crèdits teòrics: 0,90
Crèdits pràctics: 0,90
Càrrega no presencial: 2,70

Departaments amb docència

  • Dep.: LLENGUATGES I SISTEMES INFORMATICS
    Àrea: LLENGUATGES I SISTEMES INFORMATICS
    Crèdits teòrics: 0,9
    Crèdits pràctics: 0,9
    Aquest departament és responsable de l'assignatura.
    Aquest dep. és responsable de l'acta.

Estudis en què s'imparteix