Introducción al Machine Learning

Aperçu

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.

Objectifs

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.

Conditions d'accès

programme académique

Si vous n'êtes pas titulaire d'une licence, les étudiants inscrits en licence ou en master seront acceptés, de préférence dans les domaines de l'ingénierie, de l'architecture et des sciences, car ces formations offrent les bases techniques et analytiques nécessaires à la compréhension du contenu du cours. À l'Université de La Laguna, les licences suivantes sont particulièrement pertinentes :

Branche Ingénierie et Architecture

Licence en génie informatique
Licence en génie électronique et d'automatisation industrielle
Licence en génie mécanique
Licence en génie chimique industriel
Licence en génie civil
Diplôme en architecture technique
Licence en technologies marines
Diplôme en études nautiques et transport maritime

Branche des sciences

Licence en mathématiques
Licence en physique
Licence en chimie
Licence en biologie
Licence en sciences de l'environnement

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.

programme académique

Contenu

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.

Méthodologie et activités

– 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.

Critères d'évaluation

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.

informations générales

Crédits : 2 ECTS

Durée: 26/12/2025-16/01/2026

Modalité d'enseignement : Presencial/Online/Mixta

Emplacement: Salle de classe virtuelle / École supérieure d'ingénierie et de technologie

Inscription

Flexibilité

Des formations courtes sont proposées en différents formats (présentiel, en ligne ou hybride). Idéales pour se former sans interrompre sa vie professionnelle.

Employabilité

Un contenu créé et diffusé par des professionnels et des experts du domaine, conçu pour une application immédiate.

Certification

Ce programme est approuvé par l'Université de La Laguna. Vous recevrez un certificat ECTS officiel, valable dans l'Espace européen de l'enseignement supérieur.

personnel enseignant

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

Frais de scolarité

Lien d'inscription

Inscription

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