El equipo docente de la propuesta tiene amplia experiencia en la materia impartida, el machine learning, habiendo publicado, en los últimos 3 años, los siguientes artículos científicos relacionados con el ámbito del machine learning:

• Lara-Cabrera, R., González, A., Ortega, F., & González-Prieto, A. (2022). Dirichlet Matrix Factorization: A Reliable Classification-Based Recommender System, Applied Sciences-Basel 12 (3), 1223.
• Bobadilla, J., González-Prieto, Á., Ortega, F., & Lara-Cabrera, R. (2022). Deep Learning Approach to Obtain Collaborative Filtering Neighborhoods, Neural Computing and Applications 34, In Press. 
• Ortega, F., Lara-Cabrera, R., González-Prieto, A., & Bobadilla, J. (2021). Providing Reliability in Recommender Systems through Bernoulli Matrix Factorization, Information Sciences 553, 110-128.
• Ortega, F., Mayor, J., López-Fernández, D., & Lara-Cabrera, R. (2021). CF4J 2.0: Adapting Collaborative Filtering for Java to New Challenges of Collaborative Filtering based Recommender Systems, Knowledge-Based Systems 215, 106629. 
• Bobadilla, J., Lara-Cabrera, R., González-Prieto, Á., & Ortega, F. (2021). DeepFair: Deep Learning for Improving Fairness in Recommender Systems, International Journal of Interactive Multimedia and Artificial Intelligence 6, 86-94. 
• Bobadilla, J., González-Prieto, Á., Ortega, F., & Lara-Cabrera, R. (2021). Deep Learning feature selection to unhide demographic recommender systems factors, Neural Computing and Applications 33 (12), 7291-7308.
• Lara-Cabrera, R., González-Prieto, A., & Ortega, F. (2020). Deep Matrix Factorization approach for Collaborative Filtering Recommender Systems, Applied Sciences-Basel 10 (14), 4926. 
• Lara-Cabrera, R., González-Prieto, A., Ortega, F., & Bobadilla, J. (2020). Evolving Matrix Factorization based Collaborative Filtering using Genetic Programming, Applied Sciences-Basel 10 (2), 675. 

Asímismo, los profesores del equipo doncente, imparten conjuntamente desde el curso académico 2019-2020 la asignatura optativa Machine Learning en el Grado en Ingeniería de Software de la ETSI de Sistmas Informáticos.

En este curso el alumno aprenderá los conceptos fundamentales, tanto teóricos como prácticos, necesarios para extraer información útil y relevante a partir de grandes cantidades de datos. Para ello, se abordará el proceso completo de aprendizaje computacional: preparación de los datos, reducción de dimensionalidad, construcción del modelo y evaluación de su rendimiento. Durante el curso el alumno estudiará las técnicas más utilizadas para el aprendizaje computacional, tanto supervisado como no supervisado.

La inteligencia artificial se ha convertido en la herramienta más demandada por todas las empresas del sector productivo mundial. Sus aplicaciones son infinitas y los beneficios que reporta, tanto económicos como sociales, ha revolucionado por completo el día a día de las personas. El machine learning es la pieza fundamental que permite a la inteligencia artificial funcionar. El machine learning engloba un conjunto de técnicas y algoritmos que permiten dotar de "inteligencia" a los ordenadores mediante el "aprendizaje" de patrones a partir de grande volúmenes de datos. La alta demanda de profesionales de machine learning en la industria (principalmente ingenieros y científicos de datos) hacen necesario ofrecer un catálogo amplio y de calidad de cursos y titulaciones que versen sobre el machine learning para que cualquier estudiante, independientemente de su condición, pueda aprender los conceptos básicos de esta materia.

• Conocer las técnicas básicas de pre-procesamiento de datos.
• Conocer los principales algoritmos de aprendizaje supervisado (regresión y clasificación).
• Conocer los principales algoritmos de aprendizaje no supervisado (clustering y reducción dimensional).
• Conocer las herramientas empleadas para el desarrollo de explotación de modelos de machine learning.

1. Preprocesamiento de datos. En este capítulo los estudiantes aprender las principales técnicas de preprocesamiento de datos tanto estructurados como no estructurados necesarias para el funcionamiento de los algoritmos de machine learning.
2. Regresión. En este capítulo los estudiantes aprenderán la resolución de problemas de regresión y sus principales algoritmos (regresión lineal, ridge regression, lasso, elastic net, regresión polinómica y knn).
3. Clasificación. En este capítulo los estudiantes aprenderán la resolución de problemas de clasificación y sus principales algoritmos (regresión logistica, svc, knn, nearest centroid, naive bayes y decision trees).
4. Clustering. En este capítulo los estudiantes aprenderán la resolución de problemas de regresión y sus principales algoritmos (k means, dbscan, clustering jerárquico y spectral clustering).
5. Reducción dimensional. En este capítulo los estudiantes aprenderán la resolución de problemas de reducción dimensional y sus principales algoritmos (PCA, ISOMAP y TSNE).

Alumnos con conocimientos básicos de programación, álgebra lineal y probabilidad.

El curso se evaluará mediante dos tipos de actividades:

• Cuestionarios: se realiza un cuestionario al finalizar cada uno de los temas. Su corrección es automática.
• Trabajo práctico: se realiza un trabajo práctico al final del curso para resolver un problema clásico del machine learning empleando la metodología y conocimientos aprendidos durante el curso. Se evalúa mediante un sistema de evaluación por pares.

Se dispondrá de foros específicos para cada tema en los que los alumnos, de forma colaborativa, podrán plantear y resolver las cuestiones que puedan surgir con respecto a la materia impartida.