Última actualización: 28/04/2025 16:53:53


Curso Académico: 2025/2026

Aprendizaje Automático
(15757)
Programa Académico de Ingeniería Informática vía Grado en Ingeniería Informática (Plan 2023) (Plan: 509 - Estudio: 218)


Coordinador/a: ALER MUR, RICARDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación (Curso: 1 / Cuatrimestre: 1) Estadística (Curso 2 / Cuatrimestre: 1) Teoría de Autómatas y Lenguajes Formales (Curso 2 / Cuatrimestre 1)) Inteligencia Artificial (Curso 2 / Cuatrimestre 2)
Objetivos
* Comprender las técnicas básicas de Aprendizaje Automático * Aprender a determinar cuándo utilizar Aprendizaje Automático en problemas reales * Aprender a determinar qué técnica es adecuada para cada problema * Aprender a aplicar de forma práctica las técnicas en problemas reales
Resultados del proceso de formación y aprendizaje
RA1.2: Conocimiento y comprensión de las disciplinas de ingeniería propias de su especialidad, en el nivel necesario para adquirir el resto de competencias del título, incluyendo nociones de los últimos adelantos. RA5.1: Comprensión de las técnicas aplicables y métodos de análisis, proyecto e investigación y sus limitaciones en el ámbito de su especialidad. RA6.2: Capacidad de gestionar complejas actividades técnicas o profesionales o proyec tos de su especialidad, responsabilizándose de la toma de decisiones. CG2: Ser capaz de generar nuevas ideas (creatividad) y de anticipar nuevas situaciones y de adaptarse a Trabajar en equipo y relacionarse con otros, pero al mismo tiempo tener capacidad de trabajar de forma autónoma. CG7: Ser capaz de exponer y discutir propuestas en el trabajo en equipo, demostrando habilidades personales y sociales que le permitan asumir responsabilidades distintas dentro de los mismos. CGO9: Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática. CTE2: Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación. CTE5: Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
Descripción de contenidos: Programa
1. Introducción al Aprendizaje Automático 2. Técnicas de clasificación y regresión básicas 3. Técnicas de clasificación y regresión avanzadas 3. Aspectos metodológicos (evaluación, ajuste de hiper-parámetros, preproceso) 4. Técnicas no supervisadas (agrupación, aprendizaje asociativo) 5. Técnicas basadas en refuerzo
Actividades formativas, metodología a utilizar y régimen de tutorías
* Clases magistrales: 1 ECTS. Orientadas, entre otras, al desarrollo de las competencias relacionadas con el conocimiento de los fundamentos, paradigmas y técnicas para construir y evaluar sistemas inteligentes basados en Aprendizaje Automático. * Clases prácticas: 1 ECTS. Tienen por objetivo iniciar el desarrollo de las competencias específicas instrumentales, así como las competencias de resolución de problemas y aplicación de conocimientos. * Pruebas de evaluación continua (trabajo individual): 0,5 ECTS. Orientadas a las competencias relacionadas con el conocimiento de los fundamentos, paradigmas y técnicas para construir y evaluar sistemas inteligentes basados en Aprendizaje Automático. * Trabajos prácticos (en grupo): 3 ECTS. Tienen por objetivo completar e integrar el desarrollo de todas las competencias específicas relacionadas con la resolución e implementación de casos prácticos donde queden bien documentados el planteamiento del problema, la elección del método de resolución, los resultados obtenidos y la interpretación de los mismos. * Tutorías: Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. * Examen final: 0,5 ECTS. Tiene por objeto incidir y complementar en el desarrollo de las capacidades específicas cognitivas, especialmente el análisis, diseño, representación y formalización del conocimiento y aplicación de técnicas para la resolución de problemas.
Sistema de evaluación
  • Peso porcentual del Examen/Prueba Final 40
  • Peso porcentual del resto de la evaluación 60

Calendario de Evaluación Continua


Convocatoria extraordinaria: normativa
Bibliografía básica
  • Ian H. Witten. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. 2025
  • Maxim Lapan. Deep Reinforcement Learning Hands-On. Packt Publishing. 2024
  • Sebastian Raschka. Machine Learning with PyTorch and Scikit-Learn. Packt Publishing. 2022
  • Sutton y Barto. Reinforcement Learning: an Introduction. Bradford Books. 2018
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • P. W. Langley. Elements of Machine Learning. Morgan Kaufmann.
  • Peter Norvig. Artificial Intelligence. Pearson. 2021
  • R. Sutton and A Barto. Reinforcement Learning: an Introduction. Kluwer Academic Publishers.
  • Saso Dzeroski y Nada Lavrac. Relational Data Mining. Springer Verlag.
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.