Competencias y objetivos

 

Contexto de la asignatura para el curso 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.

 

 

Competencias de la asignatura (verificadas por ANECA en grados y másteres oficiales) para el curso 2024-25

Competencias Transversales

  • CT1 : Ser capaz de liderar proyectos relacionados con la inteligencia artificial, así como dirigir equipos de trabajo.
  • CT2 : Demostrar destrezas informáticas e informacionales en el ámbito de la inteligencia artificial.
  • CT3 : Demostrar habilidades en comunicación oral y escrita.

 

Competencias Generales

  • CG1 : Aplicar los conocimientos adquiridos a problemas reales relacionados con la inteligencia artificial.
  • CG10 : Ser capaz de utilizar los principios de la ingeniería y las modernas tecnologías informáticas para investigar, diseñar, implementar nuevas aplicaciones de la inteligencia artificial.
  • CG2 : Ser capaz de desarrollar y aprender de forma auto-dirigida o autónoma temas relacionados con la inteligencia artificial
  • CG5 : Saber gestionar la información y los recursos disponibles relacionados con inteligencia artificial.
  • CG6 : Ser capaz de adaptarse a entornos relacionados con la inteligencia artificial, fomentando el trabajo en equipo, la creatividad, la capacidad crítica y el espíritu emprendedor.
  • CG7 : Ser capaz de adaptarse a la constante evolución de la disciplina y de comprender y aplicar los nuevos avances técnicocientíficos relacionados con la inteligencia artificial.
  • CG8 : Saber proyectar, diseñar, desarrollar, implantar y mantener productos, aplicaciones y servicios relacionados con la inteligencia artificial, teniendo en cuenta aspectos técnicos, económicos y de eficiencia.

 

Competencias Específicas

  • CE08 : Conocer en profundidad tecnologías de aprendizaje automático, algoritmos y herramientas (incluido el aprendizaje supervisado, no supervisado o reforzado).
  • CE09 : Aprender a usar métricas y técnicas para la validación y comparación de los resultados de métodos de aprendizaje automático.

 

Competencias Básicas

  • CB10 : Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
  • CB6 : Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
  • CB7 : Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
  • CB8 : Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
  • CB9 : Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

 

 

 

Resultados de aprendizaje (Objetivos formativos)

- Entender los conceptos fundamentales del aprendizaje automático.

- Comprender las fases de tratamiento de datos, selección de características y métodos de evaluación de un sistema de clasificación.

- Describir las principales arquitecturas utilizadas en aprendizaje automático, así como las aplicaciones más típicas.

- Identificar el tipo de algoritmo de aprendizaje automático más apropiado para varios tipos de problemas en diferentes dominios.

- Implementar algoritmos de aprendizaje automático utilizando diferentes herramientas.

 

 

Objetivos específicos indicados por el profesorado para el curso 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.

 

 

Datos generales

Código: 43504
Profesor/a responsable:
Rico Juan, Juan Ramón
Crdts. ECTS: 4,50
Créditos teóricos: 0,90
Créditos prácticos: 0,90
Carga no presencial: 2,70

Departamentos con docencia

  • Dep.: LENGUAJES Y SISTEMAS INFORMATICOS
    Área: LENGUAJES Y SISTEMAS INFORMATICOS
    Créditos teóricos: 0,9
    Créditos prácticos: 0,9
    Este dep. es responsable de la asignatura.
    Este dep. es responsable del acta.

Estudios en los que se imparte