Competencias y objetivos

 

Contexto de la asignatura para el curso 2025-26

El aprendizaje automático representa la disciplina dentro del campo de la inteligencia artificial que busca desarrollar métodos capaces de inferir conocimiento de manera automática a partir de fuentes de datos. Esta generación de conocimiento depende notablemente del tipo de tarea a realizar (por ejemplo, etiquetar elementos o realizar agrupamientos de los mismos según sus características) así como de la preparación de los datos de los que se dispone (por ejemplo, aprendizaje supervisado si se dispone de un objetivo claro a modelar o aprendizaje no supervisado cuando la inferencia de conocimiento tiene un carácter exploratorio).

El curso "Fundamentos del aprendizaje automático", que se imparte el tercer año del "Grado en Ingeniería en Inteligencia Artificial", introduce los principios estadísticos, computacionales y algorítmicos que sustentan esta disciplina. Además, este módulo representa la base para otros más avanzados en la titulación como son "Aprendizaje avanzado" y "Redes neuronales y aprendizaje profundo".

En cuanto a su la estructura, durantre el desarrollo del programa el alumnado adquirirá una comprensión profunda de conceptos fundamentales como la inferencia estadística, la evaluación de modelos, los métodos supervisados y no supervisados, así como técnicas de regularización y selección de modelos. Además, se abordan aspectos clave como el preprocesamiento de datos, el análisis de la complejidad de los modelos y la interpretación de resultados.

 

 

Competencias de la asignatura (verificadas por ANECA en grados y másteres oficiales) para el curso 2025-26

Competencias Transversales

  • 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.

 

Competencias Generales

  • 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

 

Competencias Específicas

  • 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.

 

Competencias Básicas

  • CB3 : Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
  • CB5 : Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

 

 

 

Resultados de aprendizaje (Objetivos formativos)

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

 

 

Objetivos específicos indicados por el profesorado para el curso 2025-26

  1. Comprender los principios básicos del aprendizaje automático, sus principales enfoques, aplicaciones y evolución histórica.
  2. Formalizar problemas de aprendizaje automático desde una perspectiva matemática y estadística, aplicando conceptos como riesgo, pérdida, verosimilitud y regularización.
  3. Seleccionar, entrenar y evaluar modelos de aprendizaje supervisado y no supervisado, identificando sus fortalezas y limitaciones en distintos contextos.
  4. Aplicar técnicas de preprocesamiento de datos y elección de métricas adecuadas, tanto para problemas con datos completos como incompletos.
  5. Utilizar e interpretar métodos de evaluación y validación de modelos, incluyendo la comparación estadística rigurosa de su rendimiento.
  6. Analizar críticamente los resultados obtenidos con distintos algoritmos y justificar decisiones de diseño y selección de modelos.

 

 

Datos generales

Código: 33675
Profesor/a responsable:
Valero Mas, José Javier
Crdts. ECTS: 6,00
Créditos teóricos: 1,20
Créditos prácticos: 1,20
Carga no presencial: 3,60

Departamentos con docencia

  • Dep.: Lenguajes y Sistemas Informáticos
    Área: LENGUAJES Y SISTEMAS INFORMATICOS
    Créditos teóricos: 1,2
    Créditos prácticos: 1,2
    Este dep. es responsable de la asignatura.
    Este dep. es responsable del acta.

Estudios en los que se imparte