Introducción al Machine Learning

Descripción general

Esta formación proporciona al estudiante la capacidad de formular y estructurar problemas de aprendizaje automático a partir de necesidades reales, distinguiendo entre tareas de predicción, clasificación y agrupación, y seleccionando los datos, características y métricas más adecuadas para cada caso. Los participantes aprenderán a preparar, procesar y modelar conjuntos de datos utilizando herramientas del ecosistema Python, desarrollando pipelines reproducibles con pandas y scikit-learn, y aplicando modelos básicos tanto supervisados como no supervisados. Finalmente, se desarrollan competencias para evaluar, interpretar y comunicar los resultados del modelado mediante métricas apropiadas, así como para desplegar prototipos ligeros de inferencia con Streamlit o Gradio que permitan demostrar de manera práctica la utilidad y aplicabilidad del modelo construido.

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.

Requisitos de acceso

Programa académico

Si no se dispone de ningún título de grado, se aceptarán estudiantes que estén matriculados en titulaciones de grado o máster pertenecientes, preferentemente, a las ramas de conocimiento de Ingeniería y Arquitectura y de Ciencias, que proporcionan la base técnica y analítica adecuada para la comprensión de los contenidos. Entre las titulaciones de grado de la Universidad de La Laguna que se consideran especialmente relacionadas se incluyen:

Rama de Ingeniería y Arquitectura

Grado en Ingeniería Informática
Grado en Ingeniería Electrónica Industrial y Automática
Grado en Ingeniería Mecánica
Grado en Ingeniería Química Industrial
Grado en Ingeniería Civil
Grado en Arquitectura Técnica
Grado en Tecnologías Marinas
Grado en Náutica y Transporte Marítimo

Rama de Ciencias

Grado en Matemáticas
Grado en Física
Grado en Química
Grado en Biología
Grado en Ciencias Ambientales

Asimismo, podrán acceder estudiantes y titulados/as de otras ramas del conocimiento, como Ciencias Sociales y Jurídicas, Ciencias de la Salud o Artes y Humanidades, siempre que acrediten interés o experiencia en áreas afines a la tecnología, el análisis de datos, la programación o la innovación digital.

Programa académico

Contenidos

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 outliners
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.

Metodología y actividades

– 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.

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.

Información general

Créditos: 2 ECTS

Duración: 26/12/2025-16/01/2026

Modalidad de enseñanza: Presencial/Online/Mixta

Lugar de impartición: Aula Virtual/Escuela Superior de Ingeniería y Tecnología

Inscripción

Flexibilidad

De corta duración y en diversas modalidades (presencial, online o híbrida). Ideal para aprender sin interrumpir tu vida profesional.

Empleabilidad

Contenidos creados e impartidos por profesionales y expertos en la materia, pensando en su aplicación inmediata.

Certificación

Avalado por la Universidad de La Laguna. Recibirás un certificado oficial ECTS, válido en el Espacio Europeo de Educación Superior.

Equipo docente

Pino Teresa Caballero Gil

Catedrática de la Universidad de La Laguna, licenciada en Matemáticas y doctora en Estadística, Investigación Operativa y Computación. Profesora del Departamento de Ingeniería Informática y Sistemas en el área de Ciencias de la Computación e Inteligencia Artifcial y responsable del grupo CryptULL y de investigación en Criptología de la ULL.

Marcos Rodríguez Vega

Contratado por Proyecto de Investigación en la Universidad de La Laguna

Matrícula

Enlace inscripción

Inscripción

Tasa de matrícula con o sin descuento: 50€. Precio por crédito:25€

Matrícula bonificada por la Cátedra de Ciberseguridad de la Universidad de La Laguna C065/23, financiada por el Instituto Nacional de Ciberseguridad (INCIBE) y fondos del Plan de Recuperación, Transformación y Resiliencia – fondos Next Generation UE

Introducción al Machine Learning