Guía docente de la asignatura
(6607) EXTENSIONES DE MACHINE LEARNING

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
      EXTENSIONES DE MACHINE LEARNING
      Código
      6607
      Curso
      CUARTO
      Carácter
      OPTATIVA
      Número de grupos
      1
      Créditos ECTS
      4.5
      Estimación del volumen de trabajo
      112.5
      Organización temporal
      1º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2026/2027
      Titulación

      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura EXTENSIONES DE MACHINE LEARNING
      Código 6607
      Curso CUARTO
      Carácter OPTATIVA
      Número de grupos 1
      Créditos ECTS 4.5
      Estimación del volumen de trabajo 112.5
      Organización temporal 1º Cuatrimestre
      Idiomas en que se imparte Español

    2. Del profesorado: Equipo docente

      • JIMENEZ BARRIONUEVO, FERNANDO Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 Coordinador de la asignatura

        Categoría

        CATEDRATICOS DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        fernan@um.es https://webs.um.es/fernan/ Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        C2         		Día:
        Lunes         		Horario:
        10:00-11:30         		Lugar:
        868884630, Facultad de Informática B1.1.030 (DESPACHO PROF. FERNANDO JIMÉNEZ BARRIONUEVO)
        Observaciones:
        Se deberá solicitar cita para la asistencia a las tutorías mediante mensaje privado o correo electrónico
        Duración:
        C2         		Día:
        Viernes         		Horario:
        10:00-11:30         		Lugar:
        868884630, Facultad de Informática B1.1.030 (DESPACHO PROF. FERNANDO JIMÉNEZ BARRIONUEVO)
        Observaciones:
        Se deberá solicitar cita para la asistencia a las tutorías mediante mensaje privado o correo electrónico
      • BOTIA BLAYA, JUAN ANTONIO Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        CATEDRATICOS DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        juanbot@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

      • SANCHEZ CARPENA, GRACIA 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

        gracia@um.es Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A         		Día:
        Lunes         		Horario:
        12:30-13:30         		Lugar:
        , Facultad de Informática B1.1.031 (DESPACHO PROF. GRACIA SANCHEZ CARPENA)
        Observaciones:
        Los alumnos que deseen tener una tutoría deberán solicitarla previamente mediante correo electrónico o mensaje privado
        Duración:
        A         		Día:
        Miércoles         		Horario:
        18:45-19:45         		Lugar:
        , Facultad de Informática B1.1.031 (DESPACHO PROF. GRACIA SANCHEZ CARPENA)
        Observaciones:
        Los alumnos que deseen tener una tutoría deberán solicitarla previamente mediante correo electrónico o mensaje privado

  2. Presentación

    La asignatura "Extensiones de Machine Learning" tiene como objetivo proporcionar al estudiantado una visión avanzada y actualizada de técnicas complementarias al aprendizaje automático convencional. La asignatura se estructura en dos bloques temáticos. El primero se centra en el estudio de metaheurísticas bio-inspiradas fundamentales, incluyendo algoritmos evolutivos y métodos basados en inteligencia de enjambre, como la optimización por enjambre de partículas (PSO), la optimización por colonias de hormigas (ACO) y la optimización mediante halcones de Harris (HHO). Estas técnicas se abordan desde una perspectiva aplicada, con especial énfasis en problemas de aprendizaje automático, tales como la selección de atributos y el ajuste de hiperparámetros. El segundo bloque aborda técnicas avanzadas de aprendizaje profundo, incluyendo el aprendizaje extremo, la compresión de modelos, el ajuste fino (fine tuning), y diversas extensiones de máquinas generativas adversarias, explorando sus aplicaciones en distintos contextos de análisis de datos e inteligencia artificial. A lo largo del curso, se promoverá un enfoque práctico y crítico que permita al alumnado comprender, aplicar y evaluar estas metodologías en problemas complejos.

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      No constan

    2. Requisitos

      No constan

    3. Recomendaciones

      Se recomienda haber superado las asignaturas Machine Learning I, Machine Learning II, y Deep Learning.

  4. Competencias

    1. Competencias básicas

      • 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
      • 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

      • CG3: Capacidad para desarrollar experimentos y para implementar sistemas, infraestructuras, procesos y herramientas con el fin de soportar la manipulación de los datos durante todo el ciclo de vida de estos.
      • 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.
      • CE4: Comprender y usar diferentes métricas de desempeño y precisión para validar modelos en proyectos de analítica, test de hipótesis y recuperación de información.

    3. Competencias transversales y de materia

      No constan

  5. Contenidos

    1. Teoría

      Bloque 1: Metaheurísticas bio-inspiradas

      Tema 1: Metaheurísticas bio-inspiradas en Ciencia de Datos

      Tema 2: Algoritmos evolutivos

      Tema 3: Optimización por enjambre de partículas

      Tema 4: Halcones de Harris

      Tema 5: Colonias de hormigas

      Bloque 2: Deep learning avanzado

      Tema 6: Aspectos avanzados del deep learning: aprendizaje extremo, compresión de modelos, fine tuning

      Tema 7: Extensiones de máquinas generativas adversarias

      Tema 8: Funciones de pérdida, mejoras en entrenamiento, convergencia y métricas evaluación

      Tema 9: Aplicaciones

    2. Prácticas

      • Práctica 1: Metaheurísticas bio-inspiradas para machine learning

        Diseño, implementación, evaluación, comparación y validación de algoritmos bio-inspirados en problemas de machine learning.

        Relacionado con:
        • Bloque 1: Metaheurísticas bio-inspiradas
        • Tema 1: Metaheurísticas bio-inspiradas en Ciencia de Datos
        • Tema 2: Algoritmos evolutivos
        • Tema 3: Optimización por enjambre de partículas
        • Tema 4: Halcones de Harris
        • Tema 5: Colonias de hormigas

      • Práctica 2: Desarrollo de modelos avanzados de deep learning

        Diseño, implementación, evaluación, comparación y validación de modelos avanzados de deep learning.

        Relacionado con:
        • Bloque 2: Deep learning avanzado
        • Tema 6: Aspectos avanzados del deep learning: aprendizaje extremo, compresión de modelos, fine tuning
        • Tema 7: Extensiones de máquinas generativas adversarias
        • Tema 8: Funciones de pérdida, mejoras en entrenamiento, convergencia y métricas evaluación
        • Tema 9: Aplicaciones

  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.
    		 15.0 100.0
    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.

    		 5.0 100.0
    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.

    		 15.0 100.0
    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.

    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.

    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.

    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.

    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.

    		 67.5 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.

    		 5.0 100.0
    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.

    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.

    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.

    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.

    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.

    		 5.0 100.0
    Totales 112,50

  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. 40.0
    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. 60.0

  9. Fechas de exámenes

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

  10. Resultados del Aprendizaje

    1. Diseñar, implementar, evaluar y validar algoritmos bio-inspirados para búsqueda, optimización y aprendizaje automático con aplicaciones en ciencia de datos.
    2. Usar múltiples métricas de rendimiento y precisión, seleccione y use las más apropiadas para el tipo específico de aplicación de análisis de datos.
    3. Desarrollar analíticas especializadas para permitir la toma de decisiones.
    4. Evaluar y recomendar las métricas más adecuadas así como proponer nuevas métricas para nuevas aplicaciones.
    5. Diseñar analíticas especializadas para mejorar la toma de decisiones.
    6. Desarrollar soluciones creativas mediante la investigación sistemática o la experimentación para revisar y descubrir conocimientos.
    7. Identificar soluciones no estándar para resolver problemas complejos.
    8. Evaluar varios métodos y predecir qué método puede optimizar la creación de nuevos conocimientos y capacidades.
    9. Recomendar una solución rentable para un problema complejo.

  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

    La asignatura está sujeta a evaluación continua y podrá superarse de acuerdo con los criterios de valoración y ponderaciones descritas en el apartado "Sistemas de Evaluación" de esta guía docente.

    La calificación final será la siguiente:

    Calificación final = 0.4*SE1 + 0.6*SE4

    donde SE1 es la calificación obtenida mediante una prueba de teoría y SE4 es la calificación obtenida con un informe técnico de prácticas de laboratorio. Las pruebas SE1 y SE4 serán valoradas entre 0 y 10 puntos y deberán superarse por separado para superar la asignatura.

    La calificación final obtenida por evaluación continua será la calificación del estudiante en la convocatoria de diciembre-enero. En otro caso, un estudiante podrá superar la asignatura en la convocatoria de diciembre-enero si cumple las condiciones del Reglamento de Evaluación de Estudiantes, siendo igualmente su calificación final de 0.4*SE1 + 0.6*SE4 (con SE1 y SE4 valoradas entre 0 y 10 y debiéndose aprobar por separado).

    Los estudiantes que no superen la asignatura en la convocatoria de diciembre-enero podrán superar la asignatura en una convocatoria posterior presentándose a las pruebas no superadas en la convocatoria anterior. La calificación de las pruebas superadas en una convocatoria se conservará a las siguientes convocatorias, hasta la convocatoria de junio-julio inclusive.

    Un estudiante puede solicitar volver a presentarse a una parte que ya tiene aprobada, siempre que no haya superado ya la asignatura y renunciando a su calificación ya obtenida. Para ello, deberá avisar al coordinador de la asignatura, mediante mensaje en el AV, en los cinco días siguientes a partir de la publicación del llamamiento en el AV.

    Se obtendrá la calificación "No presentado" en las convocatorias de diciembre-enero, mayo-junio o junio-julio cuando el estudiante no haya realizado ninguna de las pruebas de evaluación en la convocatoria correspondiente.

    USO DE LA IA: Todos los recursos y materiales no originales que se utilicen en los ejercicios evaluables, incluyendo herramientas de Inteligencia Artificial, ayuda de companeros, recursos de internet, libros, artículos, etc. deberán referenciarse claramente en el código fuente y la documentación asociada a los ejercicios prácticos entregados.

    Relación de los resultados de aprendizaje desarrollados en la asignatura con los ODS

    No se contemplan.