Guía docente de la asignatura
(6590) MACHINE LEARNING I

Curso académico 2026/2027

  1. Identificación

    1. De la asignatura

      Curso Académico
      2026/2027
      Titulación
      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura
      MACHINE LEARNING I
      Código
      6590
      Curso
      SEGUNDO
      Carácter
      OBLIGATORIA
      Número de grupos
      1
      Créditos ECTS
      6.0
      Estimación del volumen de trabajo
      150.0
      Organización temporal
      2º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2026/2027
      Titulación

      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura MACHINE LEARNING I
      Código 6590
      Curso SEGUNDO
      Carácter OBLIGATORIA
      Número de grupos 1
      Créditos ECTS 6.0
      Estimación del volumen de trabajo 150.0
      Organización temporal 2º Cuatrimestre
      Idiomas en que se imparte Español

    2. Del profesorado: Equipo docente

      • MARTINEZ ESPAÑA, RAQUEL Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 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

        raquel.m.e@um.es Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        C1         		Día:
        Lunes         		Horario:
        10:00-11:30         		Lugar:
        868887861, Facultad de Informática B1.1.037 (DESPACHO PROF. RAQUEL MARTÍNEZ ESPAÑA)
        Observaciones:
        Pedir cita por un mensaje privado del aula virtual.
        Duración:
        C1         		Día:
        Miércoles         		Horario:
        10:30-12:00         		Lugar:
        868887861, Facultad de Informática B1.1.037 (DESPACHO PROF. RAQUEL MARTÍNEZ ESPAÑA)
        Observaciones:
        Pedir cita previa por mensajes privados del aula virtual
        Duración:
        C2         		Día:
        Jueves         		Horario:
        10:00-12:00         		Lugar:
        868887861, Facultad de Informática B1.1.037 (DESPACHO PROF. RAQUEL MARTÍNEZ ESPAÑA)
        Observaciones:
        Pedir cita previa por mensajes privados del aula virtual.
      • PALMA MENDEZ, JOSE TOMAS Docente: GRUPO 1 Coordinación de los grupos:

        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

        jtpalma@um.es Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

  2. Presentación

    El Machine Learning (ML) es una disciplina dentro de la inteligencia artificial que se encarga de todo el proceso para extraer conocimiento útil a partir de datos a priori desconocidos. En otras palabras, el ML trata de encontrar modelos inteligibles a partir de los datos. Dichos modelos inteligibles deben de ser evaluados y analizados para poder ser utilizados en entornos reales En esta asignatura se abarca todo el proceso de ML, analizando algunas técnicas supervisadas y no supervisadas y algunas tareas de preprocesamiento de datos, así como evaluación simple de modelos

  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

      • 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
      • 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

      • CG1: Conocer y aplicar la analítica de datos y técnicas estadísticas apropiadas para descubrir nuevas relaciones en los datos y realizar aportaciones a procesos de las organizaciones, así como apoyar en la toma de decisiones.
      • CG4: Capacidad para aplicar los métodos generales de la ciencia e ingeniería de datos en los tipos de datos de dominios específicos, así como en la presentación de los datos, el modelado de datos y procesos, los roles organizacionales y las relaciones entre estos.
      • CE1: Usar de forma efectiva una variedad de técnicas de análisis de datos, tales como aprendizaje computacional (incluyendo aprendizaje supervisado, no supervisado y semi-supervisado), minería de datos, analítica prescriptiva y predictiva, para abordar el análisis de datos complejo en todo el ciclo de vida de los datos.
      • CE2: Desarrollar programas orientados al análisis de datos, usando las estructuras de datos, algoritmos y herramientas de programación adecuadas.
      • CE19: Desarrollar y guiar proyectos de explotación de los datos, incluyendo la planificación del proyecto, el diseño de la experimentación, la recolección de los datos y su manejo.

    3. Competencias transversales y de materia

      No constan

  5. Contenidos

    1. Teoría

      Tema 1: Introducción al Machine Learning

      • Clasificación y regresión
      • Generalización
      • Introducción a métodos de evaluación simples
      • Medidas de eficiencia
      • Aspectos a tener en cuenta en el diseño y aprendizaje

      Tema 2: Aprendizaje supervisado

      • Arboles de decisión (Clasificación y Regresión)
      • Random Forest
      • Perceptrón monocapa y multicapa
      • Máquinas basadas en núcleos
      • Máquinas de vectores soporte (Clasificación y Regresión)
      • Otros enfoques (LVQ, k-NN)

      Tema 3: Aprendizaje no supervisado: Clústering

      • Introducción
      • Distancia y similaridad
      • Clustering Jerárquico
      • Agrupamiento Particional
      • Redes autoorganizadas
      • Técnicas de penalización
      • Medidas de calidad de clústers

      Tema 4: Extracción y selección de características

      • Maldición de la dimensionalidad
      • Técnicas de extracción de características
      • Técnicas de selección de características

    2. Prácticas

      • Práctica 1: P1- Métricas y Árboles de Decisión

        Entregable sobre Introducción al Machine Learning Tema 1 y Tema 2.1 de árboles de decisión y random forest

        Relacionado con:
        • Tema 1: Introducción al Machine Learning
        • Tema 2: Aprendizaje supervisado

      • Práctica 2: P2- Perceptrones, Máquinas de Soporte Vectorial y Otros Enfoques.

        Entregable sobre el tema 2.2, 2.3 y/o 2.4

        Relacionado con:
        • Tema 1: Introducción al Machine Learning
        • Tema 2: Aprendizaje supervisado

      • Práctica 3: P3- Clustering y Selección de características

        Entregable sobre Tema 3 Clustering

        Relacionado con:
        • Tema 1: Introducción al Machine Learning
        • Tema 3: Aprendizaje no supervisado: Clústering

      • Práctica 4: P4- Selección de Características

        Entregable sobre el Tema 4 de selección de características.

        Relacionado con:
        • Tema 1: Introducción al Machine Learning
        • Tema 4: Extracción y selección de características

  6. Actividades Formativas

    Actividad Formativa Metodología Horas Presencialidad
    AF1: Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor. También se contemplan las sesiones informativas sobre el desarrollo del trabajo de fin de grado o prácticas externas.

    MD1: Actividades de clase expositiva: Exposición teórica, clase magistral, proyección, dirigida al grupo completo de estudiantes, con independencia de que su contenido sea teórico o práctico/aplicado. Junto a la exposición de conocimientos, en las clases se plantean cuestiones, se aclaran dudas, se realizan ejemplificaciones, se establecen relaciones con las diferentes actividades prácticas que se realizan y se orienta la búsqueda de información.

    		 30.0 100.0
    AF2: Seminarios y actividades de aula: Exposición, análisis y debate dentro del contexto de aplicaciones específicas de contenidos teóricos, así como planteamiento y resolución de ejercicios y casos prácticos en el aula, tanto al grupo completo como en grupos reducidos. También se contemplan conferencias, debates y seminarios temáticos.

    MD2: Actividades de clase práctica de aula: Actividades prácticas de ejercicios y resolución de problemas, estudio de casos, aprendizaje orientado a proyectos, exposición y análisis de trabajos, debates, simulaciones, etc. Suponen la realización de tareas por parte de los alumnos, dirigidas y supervisadas por el profesor, con independencia de que en el aula se realicen individualmente o en grupos reducidos.

    		 3.0 100.0
    AF3: Prácticas de laboratorio: Ejercicios y resolución de problemas, aprendizaje orientado a proyectos, estudio de casos, exposición y discusión de trabajos, simulaciones y/o prácticas con ordenadores, generalmente desarrolladas en grupos reducidos.

    MD4: Actividades prácticas de laboratorio: Actividades de los estudiantes en aulas de informática o específicas, realizadas en grupos reducidos o individualmente, dirigidas al uso y conocimiento de la materia de estudio, supervisadas por el profesor.

    		 20.0 100.0
    AF4: Trabajo autónomo del alumno: Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, búsquedas de información, sistematización de contenidos, elaboración de informes o estudio para la elaboración de casos entre otras actividades. 90.0 0.0
    AF5: Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor.

    MD5: Tutorías: Sesiones programadas individuales o en grupo de orientación, revisión o apoyo a los estudiantes por parte del profesor con independencia de que los contenidos sean teóricos o prácticos.

    		 3.0 100.0
    AF6: Evaluación: Pruebas individuales, ya sean escritas, orales o con medios informáticos, donde el estudiante demostrará los conocimientos teóricos y prácticos adquiridos durante las actividades formativas asociadas a la enseñanza de la materia. 4.0 100.0
    Totales 150,00

  7. Horario de la asignatura

    https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2026-27#horarios

  8. Sistemas de Evaluación

    Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    SE1 Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.

    Examen teórico-práctico presencial de carácter obligatorio con una valoración máxima de 10 puntos con una ponderación del 50% en la calificación final de la asignatura

    Criterios:

    Expresarse correctamente en español, así como las destrezas de comunicación y entendimiento sobre los conocimientos, procedimientos y resultados expuestos en clase

    Inexistencia de errores ortográficos o gramaticales

    Las respuestas son coherentes y pertinentes

    Se contesta y explica con precisión a las preguntas planteadas

    La presentación es clara, estructurada y ordenada

    Correlación precisa entre las cuestiones planteadas y las respuestas entregadas

    Los ejercicios están bien resueltos, justificados y detalladamente explicados

    Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación

    		 50.0
    SE3 Procedimientos de observación del trabajo del estudiante: Registros de participación, de realización de actividades, cumplimiento de plazos, participación en foros, informes de seguimiento del trabajo fin de grado y registros sobre el desarrollo de las prácticas externas. 0.0
    SE4 Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.

    Entrega de un informe técnico de cada una de las prácticas planteadas de carácter obligatorio con una valoración máxima de 10 puntos con un valor del 50% en la calificación final de la asignatura

    Criterios

    Se valora el uso y aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones y ejercicios planteados. Se valora que las respuestas sean coherentes, pertinentes y que se explique con precisión a las preguntas planteadas Los ejercicios tienen que estar bien resueltos y correctamente justificados

    Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación

    		 50.0

  9. Fechas de exámenes

    https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2026-27#examenes

  10. Resultados del Aprendizaje

    RA1: Conocer las principales técnicas de aprendizaje automático y reconocimiento de patrones
    RA2: Comprender los fundamentos de los principales modelos y algoritmos del aprendizaje automático
    RA3: Ser capaz de analizar los resultados de un modelo entrenado con un determinado algoritmo de aprendizaje, relacionándolos, además, con sus variables e hiper-parámetros RA4: Comprender los ámbitos de aplicación y limitaciones de los algoritmos de aprendizaje automático

    RA4: Ser capaz de caracterizar un problema y escoger el modelo y algoritmo de aprendizaje más adecuado

  11. Bibliografía

    Grupo: GRUPO 1

    Bibliografía básica

  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

    OBSERVACIONES SOBRE LA EVALUACIÓN

    - La asignatura se divide en dos partes: Teoría y Prácticas. La nota final (NF) de la asignatura será la media ponderada ambas partes según la fórmula siguiente: NF = 05*NFT + 05*NFP, donde NFT es la nota final de la parte de teoría y NFP es la nota final de la parte de prácticas, ambas sobre 10 puntos.

    - Para superar la asignatura hay que superar las dos partes. Una parte se supera si su nota es mayor o igual que 5. La parte superada se guardará durante todas las convocatorias del curso académico.

    - Se obtendrá una calificación de Suspenso si el alumno no se ha presentado, al menos, a una de las partes.

    - En el caso de que no se haya superado alguna de las dos partes, la nota final no podrá superar el 4.

    - Para evaluar la parte práctica, se realizarán varios entregables en el laboratorio.

    - Si el primer entregable tiene una nota inferior a 5, este podrá convalidarse con un 5, siempre y cuando la nota del resto de entregables sea superior o igual a 7.

    - Para superar la parte práctica, la suma ponderada de estos entregables debe ser mayor o igual que 5 (sobre 10), obteniéndose en cada uno de ellos una nota mayor o igual que 5.

    - Los entregables con una nota mayor o igual a 5, se guardarán durante todas las convocatorias del curso académico.

    Aplicación de la asignatura a los Objetivos de Desarrollo Sostenible

    Esta asignatura se encuentra vinculada de forma directa con los siguientes Objetivos de Desarrollo Sostenible (ODS):

    1. ODS nº 3 "Salud Y Bienestar".Machine Learning se puede utilizar en el diagnóstico y tratamiento de enfermedades, optimizando recursos en salud pública y mejorando la precisión de los diagnósticos. Por ejemplo, algoritmos de ML pueden analizar imágenes médicas para detectar cáncer en etapas tempranas, mejorar el seguimiento de enfermedades crónicas mediante wearables, y optimizar la asignación de recursos en hospitales.
    2. ODS nº 4 "Educación de calidad", en particular con la Meta 44 "Aumento de las competencias para acceder al empleo". El Machine Learning puede personalizar el aprendizaje y mejorar la calidad de la educación. Los sistemas de recomendación pueden sugerir contenidos específicos para estudiantes según su progreso y necesidades, ayudando a cerrar brechas educativas.
    3. ODS nº 7 "Energia Asequible y no Contaminante". Las técnicas de Machine Learning puede mejorar la eficiencia energética y promover el uso de energías renovables. Los sistemas inteligentes pueden predecir la demanda energética, optimizar la distribución y almacenamiento de energía, y aumentar la eficiencia de las redes eléctricas.
    4. ODS 9: “Industria, Innovación e infraestructuras”, en particular con la meta 5 Aumentar la investigación científica y mejorar la capacidad tecnológica de los sectores industriales de todos los países, en particular los países en desarrollo, entre otras cosas fomentando la innovación y aumentando considerablemente, de aquí a 2030, el número de personas que trabajan en investigación y desarrollo por millón de habitantes y los gastos de los sectores público y privado en investigación y desarrollo”. La contribución de esta asignatura a esta meta está justificada por tratar contenidos relacionados con la Inteligencia Artificial, tecnología con una alta capacidad innovadora.
    5. ODS nº 11 "Ciudades y Comunidades Sostenibles". Las técnicas de Machine Learning pueden optimizar el tráfico, mejorar la gestión de residuos, y aumentar la eficiencia de los servicios públicos. Los algoritmos de Machine Learning pueden analizar patrones de tráfico para reducir congestiones y emisiones, y mejorar la seguridad pública mediante análisis predictivo de delitos.