Matemáticas y Estadística Plan 2019. (Plan a extinguir)
Undergraduate Programme. Academic Year 2025/2026.
APRENDIZAJE AUTOMÁTICO: MACHINE LEARNING - 805376
Curso Académico 2025-26
Datos Generales
- Plan de estudios: 080I - GRADO EN MATEMÁTICAS Y ESTADÍSTICA (2019) (2019-20)
- Carácter: Optativa
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
CG1 - Comprender y utilizar las técnicas y modelos de la Estadística con el lenguaje matemático adecuado.
CG4 - Asimilar la definición de nuevos objetos matemático-estadísticos, en términos de otros ya conocidos, y ser capaz de utilizar dichos objetos en diferentes contextos.
CG5 - Saber construir nuevos métodos y modelos bien fundamentados mediante el análisis y demostración de sus propiedades más relevantes.
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
CG1 - Comprender y utilizar las técnicas y modelos de la Estadística con el lenguaje matemático adecuado.
CG4 - Asimilar la definición de nuevos objetos matemático-estadísticos, en términos de otros ya conocidos, y ser capaz de utilizar dichos objetos en diferentes contextos.
CG5 - Saber construir nuevos métodos y modelos bien fundamentados mediante el análisis y demostración de sus propiedades más relevantes.
Transversales
CT1 - Haber demostrado poseer y comprender conocimientos en el área de las Matemáticas y la Estadística, partiendo de la base de la educación secundaria general, y alcanzando un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de dicha área.
CT2 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y que posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro del área de la Estadística, con base en las Matemáticas.
CT3 - Tener la capacidad de reunir e interpretar datos relevantes (dentro del área de la Estadística y las Matemáticas y de alguno de us campos de aplicación) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CT4 - Poder transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
CT5 - Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de
autonomía.
CT2 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y que posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro del área de la Estadística, con base en las Matemáticas.
CT3 - Tener la capacidad de reunir e interpretar datos relevantes (dentro del área de la Estadística y las Matemáticas y de alguno de us campos de aplicación) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CT4 - Poder transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
CT5 - Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de
autonomía.
Específicas
CE1 - Proponer, analizar, validar e interpretar modelos de situaciones en las que se presenten fenómenos estocásticos utilizando las
herramientas estadístico-matemáticas más adecuadas.
CE2 - Resolver problemas de Estadística mediante herramientas matemáticas e informáticas.
CE3 - Utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas estadísticos.
CE4 - Desarrollar programas que resuelvan problemas estadísticos utilizando para cada caso el entorno computacional adecuado.
CE5 - Utilizar herramientas de búsqueda de recursos bibliográficos en Matemáticas y Estadística.
herramientas estadístico-matemáticas más adecuadas.
CE2 - Resolver problemas de Estadística mediante herramientas matemáticas e informáticas.
CE3 - Utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas estadísticos.
CE4 - Desarrollar programas que resuelvan problemas estadísticos utilizando para cada caso el entorno computacional adecuado.
CE5 - Utilizar herramientas de búsqueda de recursos bibliográficos en Matemáticas y Estadística.
ACTIVIDADES DOCENTES
Clases teóricas
Las clases teóricas se intercalarán con clases prácticas en el aula de informática.
Clases prácticas
Clases en el aula de informática utilizando en entorno Google Colab y el lenguaje Python.
Presenciales
2,4
No presenciales
3,6
Semestre
8
Breve descriptor:
Esta asignatura proporciona una introducción general al Aprendizaje Automático, construyendo sobre los conocimientos previos de Probabilidad, Estadística y Análisis de Datos.
Se explorarán los principales paradigmas de aprendizaje supervisado, no supervisado y por refuerzo y sus algoritmos clave. Se pone un énfasis especial en las redes neuronales y deep learning dada su trascendencia en el panorama tecnológico actual. Finalmente, se presentará una introducción a los Transformers y su impacto en tareas de procesamiento de lenguaje natural y visión por computador.
A lo largo de la asignatura se intercalarán clases teóricas con ejemplos prácticos en Python.
Requisitos
Se emplearán resultados de numerosas asignaturas de la titulación incluyendo Probabilidad, Estadística, Métodos computacionales en Estadística, Métodos computacionales en Optimización, Análisis de Datos, Análisis Multivariante y Modelos de Regresión. Se suponen conocimientos de Python.
Objetivos
Se espera que el alumno, al término de la asignatura:
- Domine los fundamentos de los métodos principales del aprendizaje automático: supervisado, no supervisado y por refuerzo.
- Desarrolle habilidades prácticas para entender, implementar y evaluar algoritmos clave del Aprendizaje Automático utilizando Python.
- Adquiera una perspectiva general de los desarrollos más relevantes en el campo, incluyendo redes neuronales profundas y arquitecturas transformer.
- Aplique criterios de selección para elegir el algoritmo más adecuado según el tipo de problema y datos disponibles.
Contenido
- Introducción. Conceptos básicos de aprendizaje automático. Conceptos básicos sobre aprendizaje supervisado, no supervisado y por refuerzo.
- Algoritmos de regresión.
- Algoritmos de clasificación: KNN, Naive Bayes, clasificación bayesiana.
- Redes neuronales. Redes neuronales profundas.
- Aprendizaje no supervisado y modelos generativos.
- Arquitecturas Transformer.
Se empleará Python, así como diversas librerías especializadas. Entre otras: Pandas, Scikit-Learn y Keras-Tensorflow.
Evaluación
Examen teórico-práctico*: 70%
Realización de exámenes parciales y/o prácticas: 30%
Nota*: El 30% de la calificación obtenida por ejercicios y prácticas durante el curso se mantendrá para la convocatoria extraordinaria.
Es necesario obtener al menos una puntuación de 3.5 puntos en el examen para poder aprobar la asignatura.
Realización de exámenes parciales y/o prácticas: 30%
Nota*: El 30% de la calificación obtenida por ejercicios y prácticas durante el curso se mantendrá para la convocatoria extraordinaria.
Es necesario obtener al menos una puntuación de 3.5 puntos en el examen para poder aprobar la asignatura.
Bibliografía
Kevin P. Murphy.(2022) Probabilistic Machine Learning: An introduction.
C. Bishop (2006). Pattern Recognition and Machine Learning. Springer
Hastie, Tibshirani, Friedman (2009) Elements of Statistical Learning. Springer
Goodfellow, Bengio, Courville (2017) Deep Learning, MIT Press.
Sutton, Barto (2018) Reinforcement learning: An introduction, MIT Press.
C. Bishop (2006). Pattern Recognition and Machine Learning. Springer
Hastie, Tibshirani, Friedman (2009) Elements of Statistical Learning. Springer
Goodfellow, Bengio, Courville (2017) Deep Learning, MIT Press.
Sutton, Barto (2018) Reinforcement learning: An introduction, MIT Press.
Otra información relevante
Bibliografía complementaria
Barber (2020) Bayesian reasoning and machine learning.
Bishop (2006) Pattern Recognition and Machine Learning. Springer
Artículos
Bibliografía sobre ML y R
Chollet (2018) Deep Learning with R, Manning.
Ciaburro (2020) Reinforcement Learning with R, Packt
Barber (2020) Bayesian reasoning and machine learning.
Bishop (2006) Pattern Recognition and Machine Learning. Springer
Artículos
Bibliografía sobre ML y R
Chollet (2018) Deep Learning with R, Manning.
Ciaburro (2020) Reinforcement Learning with R, Packt
Estructura
| Módulos | Materias |
|---|---|
| No existen datos de módulos o materias para esta asignatura. | |
Grupos
| Clases teóricas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo único | 19/01/2026 - 08/05/2026 | MIÉRCOLES 14:00 - 15:00 | B16 | JORGE MARCO BLANCO |
| VIERNES 14:00 - 15:00 | B16 | JORGE MARCO BLANCO | ||
| Clases prácticas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo único | 19/01/2026 - 08/05/2026 | MIÉRCOLES 15:00 - 16:00 | INF3 Aula de Informática | JORGE MARCO BLANCO |
| VIERNES 15:00 - 16:00 | INF4 Aula de Informática | JORGE MARCO BLANCO | ||