Competencies and objectives

 

Course context for academic year 2024-25

Machine Learning is based on inference from examples to learn models without being explicitly programmed with a fixed set of rules.

The process is divided into a first learning phase where a model learns patterns and relationships between variables from examples (data) to then be used in a second phase to make predictions or decisions about new data.

There are several types of techniques such as supervised, unsupervised, and reinforcement learning. Supervised learning involves the use of labeled data to train the model, while unsupervised learning is used to find patterns and structures in unlabeled data. Reinforcement learning involves the algorithm learning through a trial and error process, receiving positive or negative rewards based on its behavior.

These techniques are applied in a wide variety of fields such as manufacturing, sales, health, travel and accommodations, financial services, and energy, among others. Currently, the fields of application and problems that they are able to solve are expanding.

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2024-25

Transversal Competences

  • 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.

 

General Competences

  • 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.

 

Specific Competences

  • 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.

 

Basic Competences

  • 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

 

 

 

Learning outcomes (Training objectives)

- Understand the fundamental concepts of machine learning.

- Understand the phases of data processing, feature selection and evaluation methods of a classification system.

- Describe the main architectures used in machine learning, as well as the most typical applications.

- Identify the most appropriate type of machine learning algorithm for various types of problems in different domains.

- Implement machine learning algorithms using different tools.

 

 

Specific objectives stated by the academic staff for academic year 2024-25

  • To understand the feature extraction process.
  • To understand and address issues associated with data collection.
  • To understand and comprehend different methods of supervised, unsupervised, and reinforcement learning.
  • To understand and interpret the paradigm and structure of a conventional classifier.
  • To be able to formulate and solve a problem based on machine learning.

 

 

General

Code: 43504
Lecturer responsible:
RICO JUAN, JUAN RAMON
Credits ECTS: 4,50
Theoretical credits: 0,90
Practical credits: 0,90
Distance-base hours: 2,70

Departments involved

  • Dept: LANGUAGES AND COMPUTING SYSTEMS
    Area: LANGUAGES AND COMPUTING SYSTEMS
    Theoretical credits: 0,9
    Practical credits: 0,9
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught