Introducción al Machine Learning (segunda edición)

A26030077

Ficha
Impartición:
-
Horas teóricas online:
10
Horas lectivas:
10
Horas trabajo autónomo del alumnado:
15
Plazas disponibles:
0
Aula:
Campus virtual de la Universidad de La Laguna
Categoría:
Nuevas Tecnologías de la Información y las Comunicaciones
Tipo formación:
Microcredencial Universitaria
Modalidad:
Online (Teleformación)
Descripción
Objetivos
- Adquirir competencias para formular y estructurar problemas de aprendizaje automático (predicción, clasificación y agrupación) a partir de necesidades reales, identificando los datos y métricas adecuadas.
- Preparar, procesar y modelar conjuntos de datos mediante herramientas de Python, construyendo pipelines reproducibles con pandas y scikit-learn y aplicando modelos supervisados y no supervisados básicos.
- Evaluar, interpretar y comunicar resultados utilizando métricas adecuadas y desplegando prototipos ligeros de inferencia (Streamlit o Gradio) que demuestren la aplicabilidad del modelo.
Profesorado:
  • Marcos Rodríguez Vega
Metodología docente
Se seguirá la modalidad organizativa que se resumen a continuación:
- Lecciones magistrales/método expositivo: presentación o explicación por parte del profesorado.
- Seminarios: realización de ejercicios, resolución de problemas o casos prácticos, otros.
- Trabajo individual.
- Tutoría: período de instrucción en el que interactúan profesorado y estudiante con el objetivo de revisar y discutir materiales y temas presentados en clase.
- Exposiciones, debates y presentación de trabajos y proyectos: actividades supervisadas por el profesorado.
- Metodologías activas: aprendizaje cooperativo, aprendizaje basado en proyectos, aula invertida, aprendizaje servicio, aprendizaje basado en el juego, estudio de casos, resolución de problemas dirigidas a hacer del aprendizaje un proceso participativo.
Programa
  • Bloque 0 – Arranque y Mentalidad ML

    - Introducción al entorno de trabajo: instalación de Python 3.11+, librerías principales (pandas, scikit- learn).
    - Control de versiones y buenas prácticas con Git y GitHub.
    - Estructura típica de un proyecto de machine learning.
    - Elaboración de una dataset card para documentar los datos.

  • Bloque 1 – Datos y Análisis Exploratorio (EDA)

    - Limpieza y depuración de datos.
    - Imputación de valores faltantes y manejo de outliers.
    - Encoding de variables categóricas y scaling de numéricas.
    - Ingeniería de variables ligera.
    - Visualización exploratoria (distribuciones, correlaciones, relaciones clave).

  • Bloque 2 – Aprendizaje Supervisado I

    - Modelos básicos: regresión lineal, regresión logística y árboles de decisión.
    - Creación de baselines y comparación de modelos iniciales.
    - Regularización y control del sobreajuste (overfitting).
    - Interpretación de coeficientes y reglas

  • Bloque 3 – Aprendizaje No Supervisado

    - Algoritmos de agrupamiento: k-means, DBSCAN.
    - Reducción de dimensionalidad: PCA, UMAP.
    - Métricas internas de evaluación (silhouette, Davies-Bouldin).
    - Casos de uso típicos: segmentación de clientes, detección de anomalías, compresión de datos.

  • Bloque 4 – Evaluación y Validación

    - Separación de datos: train/validation/test split, validación cruzada (k-fold).
    - Validación temporal y manejo de time series.
    - Métricas principales: MAE, RMSE, Accuracy, F1, PR-AUC.
    - Ajuste de umbrales (thresholding) y optimización de decisiones.

  • Bloque 5 – Proyecto Integrador

    - Formulación de un caso práctico completo de machine learning.
    - Desarrollo de un pipeline extremo a extremo (datos → modelo → inferencia).
    - Elaboración de informe técnico y visualización de resultados.
    - Creación de una demo interactiva (Streamlit o Gradio).

Criterios de evaluación
Basados en las siguientes pruebas de evaluación:
- Pruebas objetivas (verdadero/falso, elección múltiple, tipo test, de completar, ordenar, etc.) que permitirán evaluar los conocimientos, capacidades, rendimiento, aptitudes, etc. Las respuestas serán cerradas y a la hora de su corrección se favorecerá la objetividad.
- Resolución de casos, ejercicios y problemas: pruebas en las que el estudiantado debe resolver de forma razonada, en un tiempo determinado, y acorde a los criterios establecidos, los casos, ejercicios o problemas planteados por el profesorado, con la finalidad de aplicar los conocimientos adquiridos.
- Trabajos, memorias, memorias de prácticas, informes y proyectos escritos: documentos elaborado sobre un tema o actividad realizada, siguiendo las instrucciones establecidas por el profesorado.
- Presentación oral y defensa de temas, trabajos, etc.
Observaciones

Esta microcredencial está financiada por la Cátedra en Ciberseguridad INCIBE–Universidad de La Laguna (ULL) en el marco del Convenio de Colaboración C065/23, suscrito el 17 de octubre de 2023 entre la Universidad de La Laguna y la S.M.E. Instituto Nacional de Ciberseguridad de España M.P., S.A. (INCIBE), destinado a la promoción de las Cátedras de Ciberseguridad en España (Componente 15, Inversión 7) y cofinanciado por el Plan de Recuperación, Transformación y Resiliencia (PRTR) – NextGenerationEU.

Esta formación tiene como objetivo impulsar el desarrollo, actualización y especialización de competencias técnicas en el ámbito de la ciberseguridad, favoreciendo la capacitación del alumnado y del talento profesional, en consonancia con la Estrategia Nacional de Ciberseguridad y con los objetivos del PRTR orientados al fortalecimiento del capital humano y la transformación digital.

Tipos de Inscripción
No existen tipos de inscripción vigentes. Para cualquier duda contacte con la Secretaría de la Fundación.