Guía docente de la asignatura
(3891) APRENDIZAJE COMPUTACIONAL

Curso académico 2026/2027

  1. Identificación

    1. De la asignatura

      Curso Académico
      2026/2027
      Titulación
      GRADO EN INGENIERÍA INFORMÁTICA
      PROGRAMA ACADÉMICO DE SIMULTANEIDAD DE DOBLE TITULACIÓN CON ITINERARIO ESPECIFICO DE GRADO EN MATEMÁTICAS Y GRADO EN INGENIERÍA INFORMÁTICA
      Nombre de la asignatura
      APRENDIZAJE COMPUTACIONAL
      Código
      3891
      Curso
      CUARTO
      QUINTO
      Carácter
      OPTATIVA
      Número de grupos
      2
      Créditos ECTS
      6.0
      Estimación del volumen de trabajo
      150.0
      150.0
      Organización temporal
      1º Cuatrimestre
      1º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2026/2027
      Titulación

      GRADO EN INGENIERÍA INFORMÁTICA,

      PROGRAMA ACADÉMICO DE SIMULTANEIDAD DE DOBLE TITULACIÓN CON ITINERARIO ESPECIFICO DE GRADO EN MATEMÁTICAS Y GRADO EN INGENIERÍA INFORMÁTICA
      Nombre de la asignatura APRENDIZAJE COMPUTACIONAL
      Código 3891
      Curso CUARTO QUINTO
      Carácter OPTATIVA
      Número de grupos 2
      Créditos ECTS 6.0
      Estimación del volumen de trabajo 150.0 150.0
      Organización temporal 1º Cuatrimestre 1º Cuatrimestre
      Idiomas en que se imparte Español

    2. Del profesorado: Equipo docente

      • MARIN-BLAZQUEZ GOMEZ, FRANCISCO JAVIER Docente: GRUPO 1, GRUPO DTIE Coordinación de los grupos: GRUPO 1, GRUPO DTIE Coordinador de la asignatura

        Categoría

        PROFESORES TITULARES DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        jgmarin@um.es Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        C1         		Día:
        Martes         		Horario:
        20:00-20:45         		Lugar:
        , Facultad de Informática B1.1.042 (DESPACHO PROF. MARIN-BLAZQUEZ GOMEZ)
        Observaciones:
        No consta
        Duración:
        C1         		Día:
        Miércoles         		Horario:
        19:00-20:30         		Lugar:
        , Facultad de Informática B1.1.042 (DESPACHO PROF. MARIN-BLAZQUEZ GOMEZ)
        Observaciones:
        No consta
      • HUERTAS CELDRAN, ALBERTO Docente: GRUPO 1, GRUPO DTIE Coordinación de los grupos:

        Categoría

        PROFESOR AYUDANTE DOCTOR

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        alberto.huertas@um.es Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A         		Día:
        Miércoles         		Horario:
        11:30-19:00         		Lugar:
        , Facultad de Informática B1.1.026 (DESPACHO PROF. RODRIGO MARTÍNEZ-BEJAR)
        Observaciones:
        Debe solicitar cita previa por Mensaje Privado del AV. Para tutoría electrónica mande un Mensaje Privado con su duda y se responderá en 48 horas.

  2. Presentación

    En esta asignatura se estudian aspectos teóricos y prácticos tanto del aprendizaje automático como del análisis inteligente (no estadístico) de datos. Por un lado, en el aprendizaje automático nos enfrentamos al problema de cómo mejorar la destreza de un programa realizando determinada función, mediante el uso de la experiencia (p.e. clasificar un correo-e como spam es un ejemplo de esta función). Por el otro, en el análisis inteligente de datos estudiamos bases de datos para obtener, de manera automática, conocimiento a partir de ellas que puede aprovecharse para maximizar su rendimiento.

    En esta asignatura también se enseña todo el ciclo de trabajo del aprendizaje automático, desde el análisis del tipo de problema que se quiere resolver (p.e. si es una clasificación, una regresión, o si se busca un modelo descriptivo o predictivo), pasando por el tipo de aprendizaje más apropiado en función de la información disponible (p.e.: supervisado, no supervisado, por refuerzo), análisis exploratorio y limpeza de datos, diseño de la experimentación para obtener los parámetros e hiper-parámetros de los modelos, y la evaluación y comparación de los modelos desarrollados

    También se estudian los principios y funcionamiento de las principales familias de técnicas y modelos en aprendizaje computacional. De entre las técnicas que se estudian actualmente podemos encontrar: redes neuronales, sistemas de decisión basados en árboles y reglas, técnicas de agrupamiento basadas en clustering, aprendizaje por refuerzo, deep learning, etc

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      No constan

    2. Requisitos

      No constan

    3. Recomendaciones

      No existen recomendaciones para esta asignatura.

  4. Competencias

    1. Competencias básicas

      • 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

    2. Competencias de la titulación

      • CGII1: Capacidad de análisis y síntesis.
      • CGII2: Capacidad de organización y planificación.
      • CGII3: Comunicación oral y escrita en la lengua nativa.
      • CGII5: Conocimientos de informática relativos al ámbito de estudio.
      • CGII6: Capacidad de gestión de la información.
      • CGII7: Resolución de problemas.
      • CGII8: Toma de decisiones.
      • CGII9: Trabajo en equipo.
      • CGII14: Razonamiento crítico.
      • CGII16: Aprendizaje autónomo.
      • CGII17: Adaptación a nuevas situaciones.
      • CGII22: Motivación por la calidad.
      • CGUM1: Ser capaz de expresarse correctamente en español en su ámbito disciplinar.
      • CGUM3: Ser capaz de gestionar la información y el conocimiento en su ámbito disciplinar, incluyendo saber utilizar como usuario las herramientas básicas en TIC.
      • CGUM6: Capacidad para trabajar en equipo y para relacionarse con otras personas del mismo o distinto ámbito profesional.
      • CGUM7: Desarrollar habilidades de iniciación a la investigación.
      • CEII4: Capacidad para definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas.
      • CEII8: Conocimiento de las materias básicas y tecnologías, que capaciten para el aprendizaje y desarrollo de nuevos métodos y tecnologías, así como las que les doten de una gran versatilidad para adaptarse a nuevas situaciones.
      • CEII9: Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.

    3. Competencias transversales y de materia

      • C4 Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación
      • C5 Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información ambientes o entornos inteligentes
      • C7 Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos

  5. Contenidos

    1. Teoría

      Tema 1: Introducción al aprendizaje automático

      En este tema nos centraremos en introducir las peculiaridades del aprendizaje en máquinas Trataremos los tipos de problemas de aprendizaje que nos podemos encontrar, las fases básicas en el diseño de un sistema de aprendizaje e introduciremos los elementos con los que se tiene que lidiar usualmente en esta disciplina

      Tema 2: Aprendizaje supervisado

      Este primer tema tratará sobre aprendizaje supervisado, comenzando desde el caso más sencillo, la clasificación binaria, para luego generalizar a clasificación múltiple y finalmente regresión, con valores de salida continuos

      Tema 3: Evaluación y comparación de algoritmos de clasificación y regresión.

      Evaluar un modelo (o comparar modelos) no es,simplemente, obtener métricas básicas de rendimiento Se necesitan planificar experimentos de manera científica, y obtener métricas y otras evidencias que sean estadísticamente sólidas

      En este tema se tratarán los procedimientos para poder evaluar, comparar y analizar el rendimiento de los algoritmos de clasificación y de regresión, así como las formas de distribuir los datos en conjuntos de entrenamiento, validación y test

      Tema 4: Reducción de dimensionalidad

      Se repasarán las principales técnicas de reducción de dimensionalidad en los datos y la necesidad de realizar dicha reducción de complejidad para que sean abordables por algunas técnicas de aprendizaje

      Tema 5: Redes neuronales artificiales

      Las redes neuronales son uno de los modelos de Inteligencia Artificial más importantes y usados en aplicaciones industriales y muchos otros dominios Serán una parte importante de la parte teórica de la asignatura Se verán desde el clásico perceptrón hasta modelos más nuevos como los mapas auto- organizativos También se estudiará el deep-learning, estudiándose los conceptos teóricos básicos que posteriormente se tratarán en la segunda práctica de laboratorio

      Tema 6: Análisis exploratorio y limpieza de datos

      En muchas aplicaciones, la preparación de los datos para el data mining puede suponer el 80% del esfuerzo total en un proyecto Por tanto, resulta del todo apropiado tenerlos en cuenta en esta asignatura En este tema se tratará la necesidad y la forma en que se preparan los datos antes de aplicar los algortimos de aprendizaje puesto que, con casi total seguridad, los datos van a estar dañados de alguna forma

      Tema 7: Aprendizaje de árboles de decisión

      Los árboles de decisión son uno de los modelos de inteligencia artificial más extendidos Es también la base de otros modelos y un ejemplo muy didáctico de construcción de modelos Por ello, y por su intuitiva interpretación, los estudiaremos en los primeros temas Veremos en qué consiste el tipo de representación basada en árbol de decisión y cómo se construyen, y bajo qué criterios

      Tema 8: Aprendizaje no supervisado. Clustering (Agrupamiento)

      En el aprendizaje no supervisado se intenta encontrar estructuras que estén subyacentes en los datos Una de sus principales técnicas es el agrupamiento (clustering) Esta forma de aprendizaje no supervisado tiene diversas utilidades prácticas Aprenderemos varias de ellas así como los principales algoritmos y enfoques

      Tema 9: Introducción al aprendizaje bayesiano

      En este tema se tratará el uso de la teoría de la probabilidad como marco para la toma de decisiones bajo incertidumbre Se introducirán algoritmos de clasificación basados en el Teorema de Bayes, y el aprendizaje de reglas de asociación a partir de datos

      Tema 10: Aprendizaje por refuerzo

      En este tipo de aprendizaje un agente actúa libremente en su entorno y, a partir de una medida de refuerzo, es capaz de modificar sus políticas de actuación para optimizar cierta función de rendimiento Veremos el funcionamiento básico de las técnicas disponibles dentro de este paradigma

    2. Prácticas

      • Práctica 1: Introducción a la herramienta R y uso de la librería Caret para entrenamiento de modelos de Clasificación y Regresión.

        La práctica la vamos a dedicar a familiarizarnos con el trabajo con conjuntos de datos.

        La asignatura trata de cómo analizar de manera inteligente (con técnicas distintas a las que encontramos en la estadística clásica) conjuntos de datos que responden a muestras (ie observaciones) de un mismo fenómeno.

        En la práctica, veremos cómo con simples facilidades de visualización de datos y proceso estadístico, podemos obtener, de manera sencilla, informes basados en estadística descriptiva, que nos ayudarán a entender mejor el fenómeno que estamos estudiando.

        Se trabajará la planificación de la experimentación y el proceso de entrenamiento de diferentes modelos utilizando la librería Caret (ClAsification and REgresion Training) de R, así como la selección del mejor modelo y sus hiperparámetros para un determinado conjunto de datos.

        Las primeras sesiones de prácticas se dedicarán a familiarizarse con la herramienta y lenguaje R. Las siguientes a un proceso simple de evaluación de datos y después al uso de Caret para crear modelos y encontrar los hiperparámetros adecuados al modelo, así como comparar resultados entre diferentes modelos.

        Finalmente se hará un trabajo de obtención de modelos sobre un problema donde se aplicará lo aprendido en las sesiones de prácticas.

        Relacionado con:
        • Tema 1: Introducción al aprendizaje automático
        • Tema 2: Aprendizaje supervisado
        • Tema 3: Evaluación y comparación de algoritmos de clasificación y regresión.
        • Tema 4: Reducción de dimensionalidad
        • Tema 5: Redes neuronales artificiales
        • Tema 6: Análisis exploratorio y limpieza de datos
        • Tema 7: Aprendizaje de árboles de decisión

  6. Actividades Formativas

    Actividad Formativa Metodología Horas Presencialidad
    A1: Actividades con grupo grande de alumnos entre las que se encuentran la presentación en el aula de los conceptos propios de la materia mediante metodología expositiva con lecciones magistrales participativas y medios audiovisuales. También se contemplan en este grupo las actividades de evaluación teórico prácticas. 30.0 36.9
    A2: Actividades con grupo mediano en el aula de resolución de problemas, seminarios, charlas, ejercicios basados en el aprendizaje orientado a proyectos, estudios de casos, exposición y discusión de trabajos relativas al seguimiento individual y/o grupal de adquisición de las competencias. 4.0 12.5
    A3: Actividades con grupo pequeño en el laboratorio relacionadas con la componente práctica de las asignaturas, desarrollo de trabajos con equipo técnico especializado, desarrollo de programas, etc. 22.5 40.6
    A4: Tutorías individualizadas o en grupo muy pequeño orientadas a la dirección, supervisión y asesoría por parte del un profesor de la asignatura, del tutor en el caso de Trabajo Fin de Grado, supervisión del tutor de empresa en el caso de Prácticas de Empresa que de forma periódica constate y redirija el trabajo del alumno hacia la consecución de los objetivo marcados. 3.5 10.0
    A5: Estudio y trabajo autónomo orientado a la asimilación de contenidos, realización de problemas, ejercicios o redacción de informes técnicos o memorias descriptivas, desarrollo de proyectos o prácticas individuales o en 90.0 0.0
    Totales 150,00

  7. Horario de la asignatura

    https://www.um.es/web/estudios/grados/informatica/2026-27#horarios

  8. Sistemas de Evaluación

    Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    IE1 Examen teórico-práctico. En este instrumento incluimos desde el tradicional examen escrito o tipo test hasta los exámenes basados en resolución de problemas, pasando por los de tipo mixto que incluyen cuestiones cortas o de desarrollo teórico junto con pequeños problemas. También se incluye aquí la consideración de la participación activa del alumno en clase, la entrega de ejercicios o realización de pequeños trabajos escritos y presentaciones.

    El examen final de la asignatura sobre la TEORÍA será mixto test/desarrollo, con contenidos teorico-prácticos

    • Las preguntas pueden referirse a conceptos teóricos, desarrollos matemáticos y algoritmos, y resolución de problemas
    • Parte del examen consistirá en preguntas tipo test (entre 20 y 50)
    • Parte del examen podrá consistir en preguntas de desarrollo Habrá grupos de preguntas breves, otras cortas y quizá alguna larga
    • Para las preguntas tipo test el criterio básico de evaluación es el propio en examenes de este tipo:
      • Las respuestas correctas suman puntos
      • Las respuestas no correctas o no respondidas restarán puntos
    • En las preguntas que requieran justificación o desarrollo se usará como criterios:
      • Las respuestas son coherentes y pertinentes
      • Se contesta y explica con precisión a las preguntas planteadas
      • La presentación es clara, estructurada, ordenada y bien expresada
      • Correlación precisa entre las cuestiones planteadas y las respuestas entregadas
      • Los ejercicios están bien resueltos, correctamente justificados y detalladamente explicados
    • El alumno podrá ser convocado a una entrevista oral en la que demuestre el dominio completo en las respuestas y la resolución de los problemas planteados en las preguntas antes de publicar su nota
    • El resultado de la entrevista podrá condicionar la evaluación de sus respuestas a las preguntas planteadas

    Se deberá sacar una puntuación mínima de 50 para superar el examen y que se considere aprobada la parte de TEORÍA

    		 40.0
    IE2 Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas. Los resúmenes del estado del arte o memorias de investigación sobre temas concretos. Y la posibilidad de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.

    Se valorarán las dos prácticas propuestas en la asignatura

    Se valorará tanto la resolución como la documentación así como la posible defensa de la misma en una exposición pública

    		 60.0

  9. Fechas de exámenes

    https://www.um.es/web/estudios/grados/informatica/2026-27#examenes

  10. Resultados del Aprendizaje

    · Asimilar el concepto de aprendizaje en el contexto de los programas de ordenador

    · Conocer los distintos tipos de aprendizaje, desde el supervisado al no supervisado, pasando por el autónomo

    · Conocer, entender y aplicar algoritmos para aprendizaje de árboles de decisión, de redes neuronales, basado en instancias, no supervisado (clustering), de reglas y otros paradigmas de aprendizaje automático

    · Adquirir destreza en el uso de mecanismos para evaluar la eficacia de algoritmos de aprendizaje automático

    · Conocer distintos dominios de aplicación en los que se ha usado el aprendizaje automático

    · Asimilar el concepto de descubrimiento de conocimiento y conocer técnicas básicas de descubrimiento de conocimiento

    - Conocer y entender los conceptos básicos que componen el aprendizaje por refuerzo

  11. Bibliografía

  12. Observaciones

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.

    EVALUACIÓN

    En el procedimiento de evaluación resultarán de aplicación el artículo 135.1.v) de los Estatutos de la Universidad de Murcia, el artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) y la instrucción SG 18/2026 del secretario general de la Universidad de Murcia que interpreta estas normas, disponible en este enlace: https://sede.um.es/sede/documento/normativa/instruccion-del-secretario-general-sg-18-2026-sobre-la-interpretacion-y-aplicacion-del-art-135-1-v-estatutos-umu/24199.pdf

    Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".

    OBSERVACIONES DEL EQUIPO DOCENTE

    Objetivos de Desarrollo Sostenible:

    Esta asignatura se encuentra vinculada de forma directa con los Objetivos de Desarrollo Sostenible 4 "educación de calidad", en particular con la Meta 44 "Aumento de las competencias para acceder al empleo"

    Necesidades Educativas Especiales

    Aquellos estudiantes con discapacidad o necesidades educativas especiales pueden dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV; http://wwwumes/adyv/) para recibir la orientación o asesoramiento oportunos para un mejor aprovechamiento de su proceso formativo De igual forma podrán solicitar la puesta en marcha de las adaptaciones curriculares individualizadas de contenidos, metodología y evaluación necesarias que garanticen la igualdad de oportunidades en su desarrollo académico El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad

    Evaluación:

    • Para superar la asignatura, el estudiante debe aprobar, por separado, tanto la parte de TEORÍA como de PRÁCTICAS (más de un 5 en cada parte)
    • La nota final de la asignatura es la nota media ponderada (según la ponderación indicada)
    • Si el estudiante se presenta a solo una de las partes (teoría o prácticas) y la aprueba, en la convocatoria se le pondrá "no presentado", aunque se le mantendrá para las siguientes convocatorias del curso académico actual (Junio y Julio)
    • Si el estudiante se presenta y suspende alguna de las partes (teoría o prácticas) la convocatoria se considerará "suspensa" y su calificación será la nota mínima entre la teoría y las prácticas (o la de la parte suspensa si solo se presenta a una de ellas)
    • Las prácticas que el estudiante debe desarrollar se mantendrán durante el curso académico (convocatoria de Febrero, Junio y Julio)

    Observaciones sobre la evaluación:

    • Para poder superar la asignatura en una determinada convocatoria (febrero, junio, julio), el alumno deberá aportar al profesor todas aquellas "evidencias" necesarias para poder realizar una evaluación global Para esta signatura se entiende por evidencias:
      • Evidencias básicas: Presentarse físicamente a todos los exámenes teorico-prácticos en la fecha y hora establecidos en el pertinente llamamiento, rellenar sus datos, firmar y entregar el examen al profesor Entregar y defender la práctica final, conforme a los plazos, requisitos y formato de entrega que se indiquen a tal efecto en el anuncio de dicha práctica mediante el aula virtual
      • Evidencias complementarias: Entregar personalmente al profesor o mediante el aula virtual la respuesta a cuestiones o ejercicios considerados como complementarios en la calificación final (si se habilitara la tarea pertinente para ello en el aula virtual)
    • Si el estudiante ha aportado todas las evidencias básicas, se consignará en el acta la calificación global numérica que proceda tras aplicarle los criterios de evaluación considerando, si procediese en dicha convocatoria, las evidencias complementarias Si el estudiante NO ha aportado TODAS las evidencias básicas de evaluación que permitan una calificación global de la asignatura, independientemente de las evidencias complementarias aportadas, se consignará en el acta la calificación de "No Presentado"