Introducción al Machine Learning (cuarta edición)

A26030153

Ficha
Impartición:
-
Horas teóricas online:
10
Horas lectivas:
10
Horas trabajo autónomo del alumnado:
15
Plazas disponibles:
10
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). Plan de Recuperación,Transformación y Resiliencia - Financiado por la Unión Europea –NextGenerationEU».

Tipos de Inscripción
Tarifa bonificada
Importe:
0,00 €
Periodo inscripción:
-
Requisitos:

1. Nacionalidad o residencia

- Ser ciudadano/a español/a o de cualquier otro Estado miembro de la Unión Europea.

- Los solicitantes extranjeros no comunitarios deberán acreditar la condición de residente en España.

- Este requisito no será exigible a los solicitantes reconocidos como personas con protección internacional, en los términos establecidos en la Ley 12/2009, de 30 de octubre.


2. No se exige tener estudios universitarios para acceder a esta microcredencial, pero se recomienda que el/la estudiante cuente con una base de conocimientos informáticos y matemáticos que permitan el seguimiento de la formación.

No serán admitidas aquellas personas que, habiendo sido admitidas en ediciones anteriores de microcredenciales, no hayan accedido en ningún momento al material disponible en el aula virtual.

Documentación a presentar:


1. Documento acreditativo de identidad y nacionalidad o residencia:

- Ciudadanos/as españoles/as: copia del DNI por ambas caras.

- Ciudadanos/as de otros Estados miembros de la Unión Europea: documento equivalente que acredite la nacionalidad.

- Solicitantes extranjeros no comunitarios: acreditación de residencia legal en España.

- Documentación acreditativa de la condición de refugiado o solicitante de asilo, emitida por el Ministerio del Interior: resolución favorable definitiva.


* La admisión se realizará por orden de matriculación hasta completar el número máximo de estudiantes. Se reservará un 5% de las plazas disponibles para estudiantes con un grado de discapacidad igual o superior al 33% (deberán adjuntar en la inscripción el certificado que acredite dicha situación). En caso de no cubrirse dichas plazas, estas se incorporarán al cupo general.