Competencies and objectives

 

Course context for academic year 2025-26

Machine learning represents the discipline within the field of artificial intelligence that aims to develop methods capable of automatically inferring knowledge from data sources. This knowledge generation notably depends on the type of task to be performed (for example, labeling elements or grouping them based on their characteristics) as well as the preparation of the available data (for example, supervised learning if there is a clear objective to model or unsupervised learning when the knowledge inference has an exploratory nature).

The course "Fundamentals of Machine Learning", taught in the third year of the Undergraduate degree in Artificial Intelligence Engineering, introduces the statistical, computational, and algorithmic principles that underpin this discipline. Moreover, this module serves as the foundation for more advanced courses in the degree program, such as "Advanced Learning" and "Neural Networks and Deep Learning".

Regarding its structure, throughout the program students will acquire a deep understanding of fundamental concepts such as statistical inference, model evaluation, supervised and unsupervised methods, as well as techniques for regularization and model selection. Additionally, key aspects like data preprocessing, model complexity analysis, and results interpretation are addressed.

 

 

Course competencies (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2025-26

Transversal Competences

  • CT01 : Utilizar de forma habitual las herramientas informáticas, así como las tecnologías de la información y las comunicaciones, en todo su desempeño profesional.
  • CT02 : Comunicar de forma oral y escrita transmitiendo información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

 

General Competences

  • CG2 : Conocer, seleccionar y aplicar métodos de los diferentes campos de la inteligencia artificial para la resolución de problemas de ingeniería.
  • CG4 : Obtener soluciones eficientes, óptimas y/o probables aplicando los principios propios de la ingeniería y el método científico, describiendo de forma adecuada el problema y realizando una evaluación sólida de la propuesta.
  • CG8 : Concebir, desarrollar e implantar sistemas de inteligencia artificial teniendo en cuenta aspectos de calidad y seguridad, dentro del marco normativo, además de atender a criterios medioambientales y de uso racional, ético y eficiente de recursos e información

 

Specific Competences

  • CE29 : Diferenciar los distintos tipos de paradigmas de aprendizaje automático y aplicarlos a tareas de agrupamiento, clasificación y regresión.
  • CE30 : Evaluar la calidad y rendimiento de un sistema de aprendizaje automático para así determinar sus fortalezas y debilidades, determinar su aplicabilidad real y proponer vías de mejora.

 

Basic Competences

  • CB3 : Students must be able to gather and interpret relevant data (usually within their area of study) in order to make judgements that include reflection on relevant social, scientific or ethical issues.
  • CB5 : Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

 

 

 

Learning outcomes (Training objectives)

1. Determinar los contextos de aplicación de los diferentes estilos de aprendizaje: supervisado, semisupervisado, no supervisado y por refuerzo.

2. Explorar algoritmos de agrupamiento y evaluarlos sobre tareas concretas.

3. Implementar, entrenar y evaluar regresores lineales.

4. Implementar, entrenar y evaluar tanto clasificadores bayesianos ingenuos como basados en regresión multinomial logística (softmax) y en perceptrones multicapa.

5. Evaluar y reducir el impacto de los sesgos y el sobreaprendizaje en modelos de aprendizaje automático.

6. Validar el desempeño de los modelos mediante técnicas como la validación cruzada o la representación de matrices de confusión.

7. Caracterizar las perspectiva histórica y el estado de la cuestión en el campo del aprendizaje automático, incluidos sus logros y sus limitaciones.

8. Explorar algoritmos de vecinos más cercanos en tareas de regresión y clasificación.

9. Integrar las soluciones existentes en librerías y frameworks de aprendizaje automático en problemas concretos

 

 

Specific objectives stated by the academic staff for academic year 2025-26

  1. Understand the foundations of machine learning, including its main approaches, applications, and historical development.
  2. Formalize machine learning problems from a mathematical and statistical perspective, using concepts such as risk, loss, likelihood, and regularization.
  3. Select, train, and evaluate supervised and unsupervised learning models, recognizing their strengths and limitations in different contexts.
  4. Apply data preprocessing techniques and choose appropriate evaluation metrics, including those adapted to incomplete datasets.
  5. Use and interpret model evaluation and validation methods, including rigorous statistical comparison of performance.
  6. Critically analyse the results obtained with different algorithms and justify model design and selection decisions.

 

 

General

Code: 33675
Lecturer responsible:
Valero Mas, José Javier
Credits ECTS: 6,00
Theoretical credits: 1,20
Practical credits: 1,20
Distance-base hours: 3,60

Departments involved

  • Dept: Software and Computing Systems
    Area: LANGUAGES AND COMPUTING SYSTEMS
    Theoretical credits: 1,2
    Practical credits: 1,2
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught