Competencies and objectives

 

Course context for academic year 2023-24

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.

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2023-24

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 2023-24

No data

 

 

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