Introduction to Machine Learning

Overview

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.

Goals

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.

Access requirements

Academic program

If you do not hold a bachelor's degree, students enrolled in undergraduate or master's degree programs will be accepted, preferably those in the fields of Engineering and Architecture and Science, as these provide the necessary technical and analytical foundation for understanding the course content. Undergraduate degrees at the University of La Laguna considered particularly relevant include:

Engineering and Architecture Branch

Bachelor's Degree in Computer Engineering
Bachelor's Degree in Industrial Electronics and Automation Engineering
Bachelor's Degree in Mechanical Engineering
Bachelor's Degree in Industrial Chemical Engineering
Bachelor's Degree in Civil Engineering
Degree in Technical Architecture
Bachelor's Degree in Marine Technologies
Degree in Nautical Studies and Maritime Transport

Branch of Sciences

Bachelor's Degree in Mathematics
Bachelor's Degree in Physics
Bachelor's Degree in Chemistry
Bachelor's Degree in Biology
Bachelor's Degree in Environmental Sciences

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.

Academic program

Contents

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.

Methodology and activities

– 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.

Evaluation criteria

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.

General information

Credits: 2 ECTS

Duration: 26/12/2025-16/01/2026

Teaching modality: Presencial/Online/Mixta

Location: Virtual Classroom/Higher School of Engineering and Technology

Registration

Flexibility

Short courses available in various formats (in-person, online, or hybrid). Ideal for learning without interrupting your professional life.

Employability

Content created and delivered by professionals and experts in the field, designed for immediate application.

Certification

Endorsed by the University of La Laguna. You will receive an official ECTS certificate, valid in the European Higher Education Area.

Teaching staff

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

Tuition

Registration link

Registration

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

Introduction to Machine Learning