_
Formación: Microcredencial: Fundamentos del aprendizaje automático supervisado en Python
La Universidad de Oviedo ha lanzado una nueva microcredencial en Inteligencia Artificial, una iniciativa formativa orientada a profesionales y empresas que buscan adquirir competencias prácticas en tecnologías clave para la transformación digital. Esta formación se enmarca en la creciente necesidad de capacitar al tejido empresarial en el uso de tecnologías avanzadas, especialmente en un contexto en el que la inteligencia artificial se está consolidando como un elemento estratégico para mejorar la competitividad, optimizar procesos y generar nuevas oportunidades de negocio.
Objetivos
El aprendizaje automático es, hoy día, una herramienta indispensable en numerosos campos. Este curso proporciona una introducción completa a los conceptos y técnicas del aprendizaje supervisado, una de las ramas más importantes del aprendizaje automático. Está diseñado para todas aquellas personas que busquen adquirir conocimientos básicos en la aplicación de algoritmos de aprendizaje supervisado para resolver problemas reales. Durante el curso, los participantes aprenden desde el preprocesado de datos hasta la implementación y evaluación de modelos de regresión y clasificación. Se utilizan ejemplos prácticos y casos de estudio para ilustrar cada uno de los temas tratados, proporcionando una experiencia de aprendizaje interactiva y aplicada.
Programa
El programa del curso está diseñado para ofrecer una visión completa y aplicada del aprendizaje supervisado, combinando fundamentos teóricos con ejercicios
prácticos. La formación se estructura en módulos progresivos que guían al alumnado desde los conceptos introductorios hasta la implementación y evaluación
de modelos predictivos. Los casos prácticos se desarrollan de forma paralela a los contenidos teóricos, permitiendo aplicar de inmediato los conocimientos
adquiridos y reforzar el aprendizaje activo.
1. Fundamentos y contexto
· Introducción a la minería de datos: conceptos clave, objetivos y aplicaciones. Flujo general de un proyecto de minería de datos.
· Introducción al aprendizaje automático: conceptos clave, ejemplos de aplicaciones y tipos de aprendizaje.
2. Preparación de datos
· Preprocesado: limpieza, normalización y codificación de variables. Detección de valores atípicos y tratamiento de datos faltantes. Selección de carácterísticas.
· Visualización: técnicas exploratorias para entender la distribución de los datos y relaciones entre variables. Herramientas y buenas prácticas.
3. Aprendizaje supervisado
· Métodos de clasificación: árboles de decisión, k-NN, regresión logística y máquinas de vectores soporte. Comparación de enfoques y criterios de elección.
· Métodos de regresión: regresión lineal y otras técnicas básicas de regresión para variables continuas.
· Redes neuronales: introducción a las perceptronas multicapa (MLP), función de activación, entrenamiento y uso en clasificación y regresión.
· Validación y evaluación: división del conjunto de datos (train/test/val), validación cruzada, medidas de rendimiento (accuracy, precisión, recall, F1, MAE,
RMSE), análisis de sesgo y varianza.
4. Casos prácticos
Durante el desarrollo de cada bloque teórico, el alumnado trabajará en actividades prácticas directamente vinculadas a los contenidos abordados:
· Carga de datos desde distintos formatos (CSV, Excel).
· Manipulación de datos con herramientas como pandas.
· Visualización exploratoria mediante matplotlib y seaborn.
· Preprocesamiento de datos (limpieza, transformación, escalado).
· Aplicación de métodos de clasificación y regresión con diferentes algoritmos y evaluación de resultados.
· Análisis práctico de sesgo y varianza para interpretar la capacidad de generalización de los modelos.
¿A quién va dirigido?
El curso está dirigido a cualquier persona interesada en iniciarse en el aprendizaje automático y adquirir una base sólida en el uso de algoritmos de aprendizaje supervisado. Está especialmente indicado para quienes deseen desarrollar nuevas competencias digitales o reforzar su perfil profesional mediante la formación en técnicas de análisis y modelado de datos. No se requieren conocimientos previos específicos, aunque se recomienda tener cierta familiaridad con la programación, preferentemente en Python, para seguir con mayor facilidad los contenidos prácticos del curso.
Más información:
TitulacionPrevia: No
Admision: Las admisión será por riguroso orden de inscripción siempre que se cumplan los requisitos que se establezcan para el proyecto AsDIH.
Becas:
EQF: 6
Lugar: Por determinar
Fechas de realización: del 06/07/2026 al 15/07/2026
Calendario: Los primeros 7 días (6-14 de julio) de 9:00 a 13:00 y el último día (15 de julio) de 9:00 a 11:00
Responsables: Pablo Pérez Núñez (pabloperez@uniovi.es)
Inscripción: del 01/05/2026 al 01/06/2026 (Inscripción online)
Matrícula: del 01/06/2026 al 30/06/2026 (Matrícula online)
ODS: 4, 9
PDF informativo: Fundamentos del aprendizaje automático supervisado en Python
Consulta toda la información sobre la microcredencial e inscríbete aquí:
https://www.uniovi.es/en/estudia/titulospropios/microcredenciales/oferta/-/asset_publisher/NCtkAT4jPSMb/content/id/14354888
[/vc_column_text][/vc_column][/vc_row]