Competencias y objetivos

 

Contexto de la asignatura para el curso 2025-26

La asignatura "Aprendizaje Avanzado" forma parte de la materia "Aprendizaje Automático" del Grado en Ingeniería en Inteligencia Artificial, junto con "Fundamentos del Aprendizaje Automático" y "Redes Neuronales y Aprendizaje Profundo". Se imparte en el segundo cuatrimestre del tercer curso, como continuación natural de "Fundamentos del Aprendizaje Automático" y de forma paralela con "Redes Neuronales y Aprendizaje Profundo".

Una vez establecidas las bases del aprendizaje automático en la asignatura de fundamentos, "Aprendizaje Avanzado" se centra en proporcionar una visión amplia de los diferentes tipos de modelos existentes, buscando adquirir la capacidad de seleccionar, integrar, optimizar y evaluar múltiples técnicas para resolver problemas complejos del mundo real.

Se recomienda haber curso previamente "Fundamentos del Aprendizaje Automático".

 

 

Resultados de aprendizaje / 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.
  • CG3 : Analizar fuentes documentales y adquirir conocimientos del ámbito de la inteligencia artificial para seguir los últimos avances en esta área, determinar su aplicabilidad para la resolución de problemas y adaptarse a nuevos escenarios futuros.
  • 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.
  • CG5 : Comunicar de manera clara y precisa conocimientos, metodologías, ideas, problemas y soluciones en el ámbito de la inteligencia artificial
  • CG7 : Resolver problemas de inteligencia artificial novedosos o multidisciplinares, mostrando iniciativa y originalidad en el desarrollo, después de analizar y entender las especificaciones planteadas

 

Competencias Específicas

  • 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.
  • CE31 : Seleccionar, entrenar e implantar modelos de aprendizaje automático adecuados para resolver mediante técnicas de inteligencia artificial problemas del mundo real

 

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

 

 

 

Resultados de aprendizaje (Objetivos formativos)

1. Explorar los modelos de aprendizaje no paramétricos e implementar un modelo para un problema dado.

2. Identificar las bases del aprendizaje de los modelos probabilísticos y su utilidad en sistemas reales.

3. Aprender un árbol de decisión para un problema dado utilizando el algoritmo ID3, entendiendo las bases de la teoría de la información.

4. Implementar un método de ensamble para mejorar diversos modelos mediante su combinación.

5. Utilizar métodos de clustering para agrupar subconjuntos similares entre sí.

6. Determinar las bases de los sistemas de aprendizaje por refuerzo, su definición, características y algoritmos de aprendizaje fundamentales.

7. Establecer los criterios necesarios para seleccionar un determinado modelo y determinar su optimización.

8. Comparar y contrastar diferentes técnicas, proporcionando ejemplos de cuándo una estrategia es superior.

9. Evaluar las mejoras aportadas mediante la combinación de modelos mediante métodos de ensamble.

10. Evaluar el rendimiento de un sistema de aprendizaje sencillo sobre un conjunto de datos del mundo real.

 

 

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

• Analizar y aplicar modelos no paramétricos, comprendiendo sus fundamentos teóricos y ventajas sobre métodos paramétricos en diferentes contextos de aplicación.
• Implementar y optimizar modelos probabilísticos específicos para tareas de aprendizaje automático centrados en la aplicación práctica.
• Construir y optimizar árboles de decisión utilizando principios de teoría de la información, aplicando algoritmos como ID3 y sus variantes.
• Desarrollar e implementar estrategias de ensamble para mejorar el rendimiento predictivo, comprendiendo los fundamentos teóricos del sesgo-varianza en la combinación de modelos.
• Aplicar diferentes tipos de técnicas de clustering para el descubrimiento de patrones en datos complejos, haciendo énfasis en la evaluación y validación de resultados.
• Implementar y optimizar algoritmos de aprendizaje por refuerzo, comprendiendo sus fundamentos teóricos.
• Dominar técnicas de selección de modelos y optimización de hiperparámetros, estableciendo unos criterios apropiados para la evaluación y comparación de algoritmos.
• Desarrollar capacidades de análisis crítico para evaluar la idoneidad de diferentes técnicas de aprendizaje automático según el contexto del problema, considerando aspectos como interpretabilidad, escalabilidad y robustez, así como aspectos éticos.
• Implementar soluciones completas de aprendizaje automático avanzado sobre conjuntos de datos reales, demostrando habilidades en el preprocesamiento, selección de algoritmos apropiados y evaluación del rendimiento del sistema.

 

 

Datos generales

Código: 33680
Profesor/a responsable:
Lozano Ortega, Miguel Ángel
Crdts. ECTS: 6,00
Créditos teóricos: 1,20
Créditos prácticos: 1,20
Carga no presencial: 3,60

Departamentos con docencia

  • Dep.: Ciencia de la Computación e Inteligencia Artificial
    Área: Ciencia de la Computación, Inteligencia Artificial
    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