Programación Didáctica Sistemas de Aprendizaje Automático 2023-24

I.E.S.
Doctor Fleming
Oviedo
Principado de Asturias
CURSO 2023-24
DEPARTAMENTO DE FAMILIA PROFESIONAL:
INFORMÁTICA Y COMUNICACIONES
TÍTULO:
CERTIFICADO EN INTELIGENCIA ARTIFICIAL Y BIG

DATA
CICLO FORMATIVO:
P-5.5.4-INTELIGENCIA ARTIFICIAL Y BIG DATA

MODULO FORMATIVO:
5072-SISTEMAS DE APRENDIZAJE AUTOMÁTICO

ÍNDICE
1. INTRODUCCIÓN....................................................................................................................................4
1.1. PRINCIPIOS Y FINES DE ESTA PROGRAMACIÓN DIDÁCTICA..................................................4
1.2. IDENTIFICACIÓN DEL TÍTULO Y MÓDULO. CONTEXTO PROFESIONAL Y NORMATIVO............4
1.2.1. IDENTIFICACIÓN DEL TÍTULO Y MÓDULO...................................................................4
1.2.2. CONTEXTO PROFESIONAL Y NORMATIVO..................................................................4
1.3. CONTEXTO SOCIOEDUCATIVO. TIPOLOGÍA DEL ALUMNADO, FAMILIAS, PROFESORADO Y
CENTRO...............................................................................................................................5
1.3.1. TIPOLOGÍA DEL CENTRO.............................................................................................5
1.3.2. ALUMNADO Y FAMILIAS............................................................................................5
1.3.3. CENTRO.....................................................................................................................5
1.3.4. PROFESORADO..........................................................................................................5
1.4. VINCULACIÓN DE LA PROGRAMACIÓN CON LA PGA DEL CURSO PARA EL QUE SE
PROGRAMA Y MEMORIA DE LA MATERIA DEL CURSO ACADÉMICO ANTERIOR....................5
1.4.1. VINCULACIÓN DE LA PROGRAMACIÓN CON LA PGA DEL CURSO PARA EL QUE SE
PROGRAMA...............................................................................................................5
1.4.2. MEMORIA DE LA MATERIA DEL CURSO ACADÉMICO ANTERIOR.................................6
2. CONCRECIÓN DEL CURRÍCULO EN RELACIÓN CON SU ADECUACIÓN A LAS CARACTERÍSTICAS DEL
ÁMBITO PRODUCTIVO..................................................................................................................6
3. OBJETIVOS....................................................................................................................................7
3.1. OBJETIVO DE LA FORMACIÓN PROFESIONAL.....................................................................7
3.2. OBJETIVOS GENERALES DEL CURSO..................................................................................7
3.3. CONTRIBUCIÓN DEL CURSO A LA CONSECUCIÓN DE LOS OBJETIVOS GENERALES DEL
CENTRO........................................................................................................................8
3.4 RESULTADOS DE APRENDIZAJE.........................................................................................9
4 COMPETENCIAS........................................................................................................................9
4.1 COMPETENCIA GENERAL..................................................................................................9
4.2 COMPETENCIAS PROFESIONALES, PERSONALES Y SOCIALES...............................................9
4.4. RELACIÓN DE CUALIFICACIONES Y UNIDADES DE COMPETENCIA DEL CATÁLOGO NACIONAL
DE CUALIFICACIONES PROFESIONALES.........................................................................10
4.5. ELEMENTOS TRANSVERSALES.........................................................................................11
5. CONTENIDOS Y CRITERIOS...........................................................................................................12
5.1. CRITERIOS DE SECUENCIACIÓN DEL CURRÍCULO.................................................................12
5.2. RELACIÓN SECUENCIADA DE UNIDADES DE TRABAJO........................................................12
5.3. SECUENCIA DE CONTENIDOS.............................................................................................38
6. EDUCACIÓN EN VALORES............................................................................................................40
7. METODOLOGÍA...........................................................................................................................40
7.1. PRINCIPIOS PEDAGÓGICOS GENERALES.............................................................................40
7.2. PRINCIPIOS METODOLÓGICOS ESPECÍFICOS PARA EL MÓDULO.........................................41
Página - 2
7.3. ASPECTOS ORGANIZATIVOS...............................................................................................42
7.3.1. AGRUPAMIENTOS....................................................................................................42
7.3.2. TIEMPOS..................................................................................................................42
7.3.3. ESPACIOS.................................................................................................................42
7.4. MATERIALES Y RECURSOS..................................................................................................42
8. EVALUACIÓN, CALIFICACIÓN Y CONTENIDOS MÍNIMOS EXIGIBLES PARA SUPERAR EL MÓDULO..43
8.1. CONSIDERACIONES GENERALES.........................................................................................43
8.2. EVALUACIÓN INICIAL.........................................................................................................43
8.3. CRITERIOS DE EVALUACIÓN Y SU CONCRECIÓN..................................................................44
8.4. TÉCNICAS, PROCEDIMIENTOS E INSTRUMENTOS DE EVALUACIÓN.....................................44
8.4.1. TÉCNICAS DE EVALUACIÓN......................................................................................44
8.4.2. PROCEDIMIENTOS DE EVALUACIÓN.........................................................................44
8.4.3. INSTRUMENTOS DE EVALUACIÓN............................................................................44
8.5. CRITERIOS DE CALIFICACIÓN..............................................................................................44
8.5.1. CONSIDERACIONES GENERALES...............................................................................44
8.5.2. EVALUACIONES INTERMEDIAS.................................................................................45
8.5.3. EVALUACIÓN FINAL ORDINARIA...............................................................................45
8.5.4. ALUMNOS CON EL MÓDULO PENDIENTE TRAS LA EVALUACIÓN ORDINARIA:
ACTIVIDADES Y PROCEDIMIENTOS DE RECUPERACIÓN DEL MÓDULO...................46
8.5.5. EVALUACIÓN EXTRAORDINARIA..............................................................................46
8.6 ALUMNADO QUE NO PUEDE ASISTIR A CLASE POR MOTIVOS DE SALUD O AISLAMIENTO..46
8.7 MÍNIMOS EXIGIBLES PARA SUPERAR EL MÓDULO...........................................................46
9. ATENCIÓN A LA DIVERSIDAD.......................................................................................................48
10. ACTIVIDADES EXTRAESCOLARES Y COMPLEMENTARIAS..............................................................49
11. EVALUACIÓN DE LA PRÁCTICA DOCENTE E INDICADORES DE LOGRO...........................................49
11.1. EVALUACIÓN DE LA PRÁCTICA DOCENTE...........................................................................49
11.2. INDICADORES DE LOGRO...................................................................................................50
12. BIBLIOGRAFÍA Y NORMATIVA......................................................................................................52
12.1. BIBLIOGRAFÍA...................................................................................................................52
12.2. NORMATIVA......................................................................................................................52
Página - 3
1. Introducción
1.1. Principios y fines de esta programación didáctica
La programación didáctica que se desarrolla a partir de estas líneas pretende facilitar la tarea de
enseñanza-aprendizaje detallando el que, como y cuando enseñar y evaluar de acuerdo con los
principios de adecuación a la realidad contextual, participación, integración del currículo, innovación
y apuesta por la experiencia y lo procedimental, conocimiento de la misma por parte de la
comunidad educativa y evaluación de la misma de cara a su mejora.
1.2. Identificación del título y módulo. Contexto profesional y normativo
1.2.1. Identificación del título y módulo
El curso de especialización de Inteligencia Artificial y Big Data queda identificado para todo el
territorio nacional por los siguientes elementos:
 Denominación: Inteligencia Artificial y Big Data.
 Nivel: Formación Profesional de Grado Superior.
 Duración: 600 horas.
 Familia Profesional: Informática y Comunicaciones. (Únicamente a efectos de clasificación de las

enseñanzas de formación profesional)
 Ramas de conocimiento: Ciencias. Ingeniería y Arquitectura.
 Equivalencia en créditos ECTS: 36.
 Referente en la Clasificación Internacional Normalizada de la Educación: P-5.5.4.
Sistemas de Aprendizaje Automático (código 5072) es un módulo que se imparte en el curso de

especialización en Inteligencia Artificial y Big Data. Contiene la información necesaria para
desempeñar las funciones de analizar y relacionar las técnicas de aprendizaje automático con la
predicción de comportamientos futuros que permitan a las organizaciones y empresas la eficiencia
operativa.
El desarrollo curricular de este módulo tiene como referencias de partida el Real Decreto 279/2021,
de 20 de abril, por el que se establece el Curso de especialización en Inteligencia Artificial y Big Data y
se fijan los aspectos básicos del currículo.
1.2.2. Contexto profesional y normativo
Según se van transfiriendo los nuevos resultados de investigación a los procesos empresariales
aumenta el abanico de aplicaciones de los algoritmos y técnicas de la Inteligencia Artificial en la
industria y en los servicios. Si además se le une el Big Data se puede lograr una mejora sustancial en
cualquiera de los parámetros en los que es posible realizar mediciones. Esto provoca que haya
cantidad de programas y recursos que se están dedicando a la innovación sobre la Inteligencia
Artificial.
Esto se refleja en la creciente demanda de profesionales competentes en Inteligencia Artificial y Big

Data por parte de unas empresas ávidas de innovar en sus sectores, lo cual contrasta con el escaso
número de profesionales con conocimientos en esta área -apenas 200 registrados en Linkedin en
2018 con esas habilidades-. De hecho, en Asturias, según datos del clúster TIC regional, hay un déficit
de 800 profesionales al año en el campo de la informática y las comunicaciones.
Página - 4
En el caso concreto de Asturias, el tejido empresarial de la región da trabajo a más de 10000
personas y produce el 5 % del PIB. El Clúster TIC asturiano, que engloba a casi 120 empresas del
sector TIC, es el tercer clúster de empresas TIC de España por tamaño, y mantiene una tasa de
crecimiento continuada lastrada por la falta de personal cualificado.
Los perfiles profesionales más demandados por las empresas deben combinar conocimientos de
telecomunicaciones, informática, matemáticas, estadística e ingeniería industrial.
1.3. Contexto socioeducativo. Tipología del alumnado, familias, profesorado y centro
1.3.1. Tipología del centro
El IES XXXX está situado en un entorno urbano y residencial en el centro de la Ciudad de Oviedo y
cercano a otros centros educativos de niveles diferentes -Infantil y Primaria, Secundaria y
Bachillerato, y Universidad-. Tiene asociados varios colegios de Educación Primaria en los concejos
colindantes, y varios centros privados y concertados.
1.3.2. Alumnado y familias
En las etapas de ESO y Bachillerato, el perfil del alumnado es el de jóvenes de un entorno

socioeconómico urbano medio-alto -renta per cápita e ISEC muy por encima de la media asturiana-,
bien integrados socialmente y con buen rendimiento académico y escasa conflictividad y absentismo.
En cuanto al alumnado de Ciclos Formativos tiene una procedencia más diversa, tanto geográfica –
regional en el caso de los grados superiores e internacional en el caso de la FP básica y los grados
medios - como socioeconómica, si bien con objetivos comunes, que son la formación tanto orientada
al ámbito laboral como el ciudadano, así como su adaptación a los cambios continuos en dichos
ámbitos.
Mención especial se ha de hacer en el caso de los ciclos de Formación Profesional Básica. En este
caso, un historial de fracaso escolar, asociado en muchos casos a problemas actitudinales, fija como
objetivos para este alumnado, no solamente los indicados anteriormente con carácter general, sino
también la propia socialización y la propia continuidad dentro del sistema educativo.
1.3.3. Centro
Toda esta diversidad de alumnado y, por consiguiente, de enseñanzas, se encuentra distribuida en

dos grandes espacios distanciados en los que se ubican tres edificios diferentes, lo que genera
dificultades desde el punto de vista organizativo y económico, que se suman a las deficiencias
propias de los edificios -calefacción, espacios, falta de laboratorios y talleres –
1.3.4. Profesorado
Del total del profesorado cabe destacar que casi el 70% son definitivos en el centro mientras que el
30 % restante son interinos. La edad media del profesorado es elevada, con más de un 30 por ciento
del profesorado situado en el rango de los 55-59 años
1.4. Vinculación de la programación con la PGA del curso para el que se programa y memoria
de la materia del curso académico anterior
1.4.1. Vinculación de la programación con la PGA del curso para el que se programa
Tomando como punto de partida tanto la Circular de inicio de curso como la memoria final del curso
2022/23, se desarrollan en la PGA los objetivos que el IES XXXX propone para el curso 2023/24,
divididos en objetivos institucionales o generales, derivados del desarrollo de la LOMLOE, y objetivos
propios del centro.
Página - 5
 De entre los objetivos generales la programación se vincula con los objetivos indicados a
continuación
o Mantener la línea de mejora de la calidad educativa, incrementando las tasas de promoción

y titulación de las diferentes enseñanzas y etapas educativas y consolidando la adquisición
de competencias que permitan el logro de los establecidos para la propia Comunidad
Autónoma, lo que se pretende conseguir a través de las nuevas metodologías – ABP-, la
revisión de los criterios de calificación de las programaciones docentes o la mejora de la
atención educativa del alumnado en las guardias.
o Promover en los centros, con la participación de toda la comunidad educativa, un clima de

convivencia positivo, fomentando la igualdad entre sexos, el respeto a las diferencias entre
iguales y la prevención de la violencia de género y del acoso escolar para lo cual se
actualizará el Plan de Acción Tutorial incluyendo las especificidades propias del alumnado
del Curso de Especialización en Inteligencia Artificial y Big Data
o Fomentar el desarrollo de la competencia digital del alumnado y el desarrollo de las

tecnologías digitales en los centros docentes como soporte en los que se apoyan los
procesos de enseñanza y aprendizaje a través de una dotación informática mejorada para
impartir los módulos del ciclo y el incremento del ancho de banda.
 De entre los objetivos propios del centro la programación se vincula con la mejora de las
comunicaciones entre los distintos sectores de la comunidad y modernizar la gestión de
procesos administrativos o educativos. Para ello se potenciará la página web del centro,
dotándola de contenido relacionado con el curso de especialización, así como el área exclusiva
de Teams del departamento de informática, donde se colgarán las programaciones didácticas de
los módulos, recursos educativos y material multimedia relacionado con las actividades
complementarias y extraescolares realizadas.
1.4.2. Memoria de la materia del curso académico anterior.
Con respecto a la memoria del dpto. del curso anterior se identificaron los siguientes aspectos
relacionados con el módulo de Sistemas de Aprendizaje Automático
 Disponer de equipos adecuados para el curso de especialización
 Introducir recursos tecnológicos y digitales relacionados con los módulos del curso
 Contratar servicios de nube para implementar los ejercicios de los módulos del curso
En relación con estos tres puntos se han creado cuentas en Google para poder trabajar con Google
Colab a lo largo del segundo trimestre del curso académico, de cara a poder tener acceso a los
recursos necesarios en la nube -procesadores GPU-.
2. Concreción del currículo en relación con su adecuación a las características del ámbito
productivo
El módulo de Sistemas de Aprendizaje Automático, como se indica en el apartado 1.2, lleva asociados
unos R.A. que habilitarán al alumno para generar modelos de aprendizaje automático y profundo que
predigan comportamientos futuros de los sistemas objeto de estudio, por ello tiene especial
aplicación en cualquier aspecto de la actividad humana en el que podamos disponer de gran cantidad
de datos sobre su funcionamiento y ejecución. Los requerimientos técnicos de este módulo son
escasos -computadores comerciales con conexión a red y cuentas de Google Colab, así como licencias
libres de plataformas comerciales de IA y aprendizaje automático y profundo- y disponibles en el
centro, lo que permite que no haya restricciones que condicionen la programación didáctica.
Página - 6
El módulo de Sistemas de Aprendizaje Automático es uno de los tres módulos cuyos contenidos
versan sobre la Inteligencia Artificial y, junto con los otros dos – Modelos de Inteligencia Artificial y
Programación de Inteligencia Artificial- forma un todo que se concreta en la comunalidad parcial de
contenidos, y su profunda imbricación, en particular con el módulo de Programación de Inteligencia
Artificial, en el que se ponen en práctica -vía aplicaciones en Python o en plataformas como BigML o
SPSS Modeler- los conceptos que se estudian en este módulo. En concreto, los resultados de
aprendizaje del módulo objeto de la programación se relacionan estrechamente con el RA-2 -
Desarrolla aplicaciones de Inteligencia artificial utilizando entornos de modelado – del módulo de
Programación de Inteligencia Artificial.
3. Objetivos
2.1. Objetivo de la Formación Profesional
De acuerdo con el artículo 40 de la LOMLOE, la Formación Profesional en el sistema educativo

contribuirá a que el alumnado consiga los resultados de aprendizaje que le permitan:
a) Desarrollar las competencias propias de cada título de formación profesional.
b) Comprender la organización y las características del sector productivo correspondiente, así

como los mecanismos de inserción profesional.
c) Conocer la legislación laboral y los derechos y obligaciones que se derivan de las relaciones
laborales.
d) Aprender por sí mismos y trabajar en equipo, así como formarse en la prevención de conflictos y
en la resolución pacífica de los mismos en todos los ámbitos de la vida personal, familiar y social,
con especial atención a la prevención de la violencia de género.
e) Fomentar la igualdad efectiva de oportunidades entre hombres y mujeres, así como de las
personas con discapacidad, para acceder a una formación que permita todo tipo de opciones
profesionales y el ejercicio de las mismas.
f) Trabajar en condiciones de seguridad y salud, así como prevenir los posibles riesgos derivados
del trabajo.
g) Desarrollar una identidad profesional motivadora de futuros aprendizajes y adaptaciones a la

evolución de los procesos productivos y al cambio social.
h) Desarrollar las competencias de innovación y emprendimiento que favorezcan su empleabilidad

y desarrollo profesional.
i) Preparar al alumnado para su progresión en el sistema educativo.
j) Conocer y prevenir los riesgos medioambientales.
k) Preparar al alumnado en materia de digitalización en su sector productivo.
2.2. Objetivos generales del curso
a) Caracterizar las interacciones en los negocios de las empresas y organizaciones para aplicar sistemas
de Inteligencia artificial que incremente la productividad.
b) Seleccionar datos relevantes de la empresa u organización para desarrollar e implementar

soluciones que faciliten la toma de decisiones.
c) Aplicar técnicas de tratamiento de datos para gestionar la transformación digital en las

organizaciones.
Página - 7
d) Caracterizar sistemas de la Inteligencia Artificial para implantar funcionalidades, procesos y sistemas
de decisiones.
e) Interpretar planes de cambio y mejora de los procesos de las empresas y organizaciones para su
gestión con Inteligencia artificial.
f) Caracterizar procesos de mejora de la productividad de las empresas para administrar el desarrollo

de procesos automatizados.
g) Aplicar herramientas de inteligencia artificial para optimizar el desarrollo de los procesos

autónomos.
h) Utilizar soluciones de Big Data para integrar sistemas de explotación de datos.
i) Analizar y evaluar soluciones Big Data para su implantación en las funcionalidades, procesos y
sistemas de decisiones.
j) Determinar la documentación técnica y normativa vigente de los procedimientos de protección de

datos para ejecutar el sistema de explotación de datos cumpliendo con los principios legales y
éticos.
k) Determinar la solución de Inteligencia Artificial y Big Data para configurar las herramientas y
lenguajes específicos.
l) Aplicar técnicas Big Data para gestionar los datos de la organización y obtener conocimiento a partir
de ellos.
m) Analizar y utilizar los recursos y oportunidades de aprendizaje relacionados con la evolución

científica, tecnológica y organizativa del sector y las tecnologías de la información y la
comunicación, para mantener el espíritu de actualización y adaptarse a nuevas situaciones
laborales y personales.
n) Desarrollar la creatividad y el espíritu de innovación para responder a los retos que se presentan en
los procesos y en la organización del trabajo y de la vida personal.
ñ) Evaluar situaciones de prevención de riesgos laborales y de protección ambiental, proponiendo y

aplicando medidas de prevención personal y colectiva, de acuerdo con la normativa aplicable en los
procesos de trabajo, para garantizar entornos seguros.
o) Identificar y proponer las acciones profesionales necesarias, para dar respuesta a la accesibilidad
universal, al «diseño para todas las personas», así como para evitar posibles sesgos de género en el
desarrollo y aplicaciones de Inteligencia Artificial y Big Data.
p) Identificar y aplicar parámetros de calidad en los trabajos y actividades realizados en el proceso de

aprendizaje, para valorar la cultura de la evaluación y de la calidad y ser capaces de supervisar y
mejorar procedimientos de gestión de calidad.
La formación del módulo contribuye a alcanzar los objetivos generales a), b), c), d), e), f), g), j), k), m),
n), ñ), o) y p)
2.3. Contribución del curso a la consecución de los objetivos generales del centro
Este curso contribuye a la consecución de los objetivos generales o institucionales 1, 2, 3, 4, 5, 6, 7, y 9,

derivados de los correspondientes de la Ley Orgánica 2/2006 modificada por la Ley Orgánica 3/2020,
de 29 de diciembre, a través de lo tratado en el punto de Educación Transversal y Valores de la
presente programación.
Página - 8
2.4 Resultados de aprendizaje
Los resultados de aprendizaje que figuran en el Decreto 279/2021, de 20 de abril, por el que se
establece el currículo del curso de especialización son:
RA-1 Caracteriza sistemas de Inteligencia Artificial relacionándolos con la mejora de la eficiencia

operativa de las organizaciones y empresas.
RA-2 Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning),

testeando su aplicabilidad para la resolución de problemas.
RA-3 Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y

minimizando los riesgos asociados.
RA-4 Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que
tratan de resolver.
RA-5 Aplica modelos computacionales de redes neuronales comparándolos con otros métodos de
inteligencia artificial.
RA-6 Valora la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje
automático integrando principios fundamentales de la computación.
4 Competencias
4.1 Competencia general
La competencia general de este curso de especialización consiste en programar y aplicar sistemas

inteligentes que optimizan la gestión de la información y la explotación de datos masivos, garantizando
el acceso a los datos de forma segura y cumpliendo los criterios de accesibilidad, usabilidad y calidad
exigidas en los estándares establecidos, así como los principios éticos y legales.
Para la obtención de este fin, cada uno de los módulos que integran el título tiene una serie de
competencias y objetivos generales, que se obtendrán con la consecución de unos resultados de
aprendizaje.
4.2 Competencias profesionales, personales y sociales
a) Aplicar sistemas de Inteligencia Artificial para identificar nuevas formas de interacción en los
negocios que mejoren la productividad.
b) Desarrollar e implementar sistemas de Inteligencia Artificial que faciliten la toma de decisiones

ágiles dentro de un negocio gestionando y explotando datos masivos.
c) Gestionar la transformación digital necesaria en las organizaciones para la consecución de la

eficiencia empresarial mediante el tratamiento de datos.
d) Aplicar Inteligencia Artificial en funcionalidades, procesos y sistemas de decisión empresariales.
e) Gestionar los distintos tipos de Inteligencia Artificial para la consecución de transformación y

cambio en las empresas.
f) Administrar el desarrollo de procesos automatizados que permitan la mejora de la productividad de

las empresas.
g) Optimizar el desarrollo de procesos autónomos empleando herramientas de Inteligencia Artificial.
h) Integrar sistemas de explotación de grandes volúmenes de datos aplicando soluciones de Big Data.
Página - 9
i) Implantar las funcionalidades, procesos y sistemas de decisiones empresariales aplicando técnicas
de Big Data en ellos.
j) Ejecutar el sistema de explotación de datos según las necesidades de uso y las condiciones de
seguridad establecidas asegurando el cumplimiento de los principios legales y éticos.
k) Configurar las herramientas que se usan para construir soluciones Big Data y de Inteligencia
Artificial.
l) Gestionar de manera eficiente los datos, la información y su representación para transformarlos en

conocimiento.
m) Cumplir la legislación vigente que regula la normativa de los medios de comunicación audiovisual y
de la accesibilidad universal.
n) Adaptarse a las nuevas situaciones laborales, manteniendo actualizados los conocimientos

científicos, técnicos y tecnológicos relativos a su entorno profesional, gestionando su formación y
los recursos existentes en el aprendizaje a lo largo de la vida y utilizando las tecnologías de la
información y la comunicación.
o) Resolver situaciones, problemas o contingencias con iniciativa y autonomía en el ámbito de su

competencia, con creatividad, innovación y espíritu de mejora en el trabajo personal y en el de los
miembros del equipo.
p) Organizar y coordinar equipos de trabajo con responsabilidad, supervisando el desarrollo del

mismo, manteniendo relaciones fluidas y asumiendo el liderazgo, así como aportando soluciones a
los conflictos grupales que se presenten.
q) Comunicarse con sus iguales, superiores, clientela y personas bajo su responsabilidad, utilizando
vías eficaces de comunicación, transmitiendo la información o conocimientos adecuados y
respetando la autonomía y competencia de las personas que intervienen en el ámbito de su
trabajo.
r) Generar entornos seguros en el desarrollo de su trabajo y el de su equipo, supervisando y aplicando

los procedimientos de prevención de riesgos laborales y ambientales, de acuerdo con lo establecido
por la normativa y los objetivos de la empresa.
s) Supervisar y aplicar procedimientos de gestión de calidad, de accesibilidad universal y de «diseño

para todas las personas», en las actividades profesionales incluidas en los procesos de producción o
prestación de servicios.
t) Ejercer sus derechos y cumplir con las obligaciones derivadas de su actividad profesional, de
acuerdo con lo establecido en la legislación vigente, participando activamente en la vida
económica, social y cultural.
Este módulo contribuya a la adquisición de las competencias profesionales y sociales a), c), d), e), f), g),
j), k), m), n), ñ), o), p), q), r) y s) del curso de especialización.
2.4. Relación de cualificaciones y unidades de competencia del catálogo nacional de

cualificaciones profesionales
De acuerdo con el INCUAL, el Curso de especialización en inteligencia artificial y big data va asociado
a las siguientes cualificaciones profesionales y unidades de competencia asociadas:
Página - 10
 IFC749_3 - Gestión de datos y entrenamiento en sistemas de Inteligencia Artificial basados en
aprendizaje automático
o UC0966_3: Consultar y extraer información de distintas plataformas de almacenamiento de

datos
o UC2492_3: Procesar los datos para su uso en sistemas de Inteligencia Artificial basados en
aprendizaje automático
o UC2493_3: Entrenar modelos en sistemas de Inteligencia Artificial basados en aprendizaje

automático
 IFC750_3 - Gestión de la instalación, despliegue y explotación de sistemas de Inteligencia

Artificial basados en aprendizaje automático
o Instalar y mantener sistemas de Inteligencia Artificial basados en aprendizaje automático
o UC2495_3: Desplegar sistemas de Inteligencia Artificial basados en aprendizaje automático
o UC2496_3: Explotar servicios de procesamiento y analítica de datos en plataformas

disponibles en línea
o UC2497_3: Desarrollar componentes software específicos para sistemas de Inteligencia

Artificial basados en aprendizaje automático
 IFC789_3 - Desarrollo de productos basados en cadenas de bloques Blockchain
o UC2630_3 - Preparar herramientas de desarrollo de productos que utilicen tecnologías

descentralizadas blockchain
o UC2631_3 - Programar contratos inteligentes ('smart contracts')
o UC2632_3 - Desarrollar interfaces de usuario 'frontend' para interacción con redes

descentralizadas basadas en blockchain
o UC2633_3 - Desplegar contratos inteligentes ('smart contracts') sobre nodos de red dlt,
blockchain
2.5. Elementos transversales
Además de los contenidos propios del módulo existen una serie de contenidos transversales que se
trabajan en todos los módulos del curso de especialización a lo largo de las diferentes unidades
didácticas, y que son los siguientes:
 Trabajo en equipos para resolver ejercicios y prácticas de clase, fomentando las relaciones
fluidas entre sus miembros, respetando el trabajo y las ideas de sus compañeros, así como las
normas de comportamiento dentro del aula y colaborando para la superación de las dificultades
que se presenten, corresponsabilizándose de los objetivos.
 Valorar y fomentar la exactitud y el rigor en la utilización de datos y terminología, a través de la

precisión en el uso de los términos y expresiones técnicas en el campo del aprendizaje
automático y profundo.
 Promover una actitud positiva hacia el análisis e investigación del funcionamiento y

comportamiento de los elementos de su entorno a través de ejercicios de recolección de datos
para generar modelos de aprendizaje automático supervisado, no supervisado y profundo que
resuelvan problemas del entorno
Página - 11
 Promover el gusto por el uso del análisis racional de los problemas que se presenten frente a los
intentos de solución directos y desorganizados, lo que es consustancial a la fase de preparación
de los datos de la generación de modelos de aprendizaje automático y profundo.
 Perseverar en la búsqueda de soluciones, valorar la constancia y el esfuerzo propio y ajeno en la

realización del trabajo, así como la calidad y la excelencia en el trabajo realizado se fomenta en
todos los ejercicios y prácticas de generación de modelos.
 Innovación y espíritu emprendedor, que toma valor en la búsqueda de soluciones a los

problemas que se plantean en clase empleando diferentes medios para obtener información
alternativa que permita encontrar nuevas soluciones a las tareas
 Objetivos para el desarrollo sostenible, que se trabajan a partir de la resolución de problemas de

aprendizaje automático y aprendizaje profundo que empleen datos relacionados con el estado
de la atmosfera y el clima -para estudiar, por ejemplo, dentro del objetivo 13 de desarrollo
sostenible, la influencia del CO2 en la atmósfera y predecir la evolución de la temperatura de
Oviedo-
 Competencia digital, que se pone en práctica a través del uso continuado de los sistemas
informáticos, los entornos de desarrollo de software o las tareas de búsqueda de información en
Internet.
3. Contenidos y criterios
3.1. Criterios de secuenciación del currículo
La secuenciación de contenidos se ha hecho por evaluaciones -2- siguiendo criterios epistemológicos.

El módulo se organiza en torno a 10 unidades didácticas, cuya distribución de contenidos es la
siguiente:
 1º Evaluación: En este periodo se enseñan los conceptos básicos de aprendizaje automático, así
como el manejo de los datos y su procesamiento, para continuar con las técnicas de aprendizaje
supervisado y no supervisado. Así mismo se inician los trabajos del proyecto globalizador que
involucra todos los módulos del curso de especialización.
 2º Evaluación y final ordinaria: en este periodo se estudian las técnicas de aprendizaje profundo
-redes neuronales-, más complejas y que requieren la comprensión previa de las técnicas de
aprendizaje supervisado y no supervisado. Por otra parte se completarán en este periodo las
tareas del proyecto globalizador.
La distribución de sesiones es orientativa, y está sujeta a modificaciones asociadas a dificultades del

alumnado, actividades complementarias /extraescolares y otros imprevistos.
3.2. Relación secuenciada de unidades de trabajo
Se establecen como contenidos del módulo los que se vienen indicados en el Real Decreto 279/2021,
de 20 de abril.
Se sigue el modelo de unidad de trabajo indicado por la Consejería de Educación del Gobierno del
Principado de Asturias, que se muestra en el siguiente enlace
https://www.educastur.es/documents/34868/38808/2021-08-orientaciones-programacion-docente-
FP.pdf/92294077-a8c6-9e2f-8175-aaf6d45f8ae7?t=1630584175948
Página - 12
Nº TÍTULO SESIONES
1 CARACTERIZACIÓN DE SISTEMAS DE INTELIGENCIA ARTIFICIAL 4 1/2
RESULTADOS DE APRENDIZAJE COMPLETO (SI/NO)
Caracteriza la Inteligencia Artificial fuerte y débil determinando usos y posibilidades. SI
CRITERIOS DE EVALUACIÓN
R.A. CRITERIO DE EVALUACIÓN INSTRUMENTO PONDERACIÓN MÍNIMO
1 Se han determinado las Escalas 20 % Se han determinado las especificidades de

especificidades de numéricas/rubricas/informes Inteligencia Artificial fuerte y débil.
Inteligencia Artificial fuerte y
débil.
1 Se han establecido las Escalas 60 % Se han establecido las barreras entre la

barreras entre la Inteligencia numéricas/rubricas/informes Inteligencia Artificial y el aprendizaje
Artificial y el aprendizaje automático (Machine Learning).
automático (Machine
Learning).
1 Se han diferenciado ámbitos Escalas 5% Se han diferenciado ámbitos de aplicación de

de aplicación de la numéricas/rubricas/informes la Inteligencia Artificial fuerte y débil.
Inteligencia Artificial fuerte y
débil.
1 Se han identificado los Escalas 5% Se han identificado los problemas a los que
problemas a los que puede numéricas/rubricas/informes puede hacer frente la Inteligencia Artificial
hacer frente la Inteligencia débil.
Artificial débil.
1 Se han identificado los Escalas 5% Se han identificado los problemas a los que
problemas a los que puede puede hacer frente la Inteligencia Artificial
Página - 13
hacer frente la Inteligencia numéricas/rubricas/informes fuerte.
Artificial fuerte.
1 Se han reconocido las Escalas 5% Se han reconocido las ventajas que

ventajas que proporciona numéricas/rubricas/informes proporciona cada tipo en la resolución de los
cada tipo en la resolución de problemas
los problemas
CONTENIDOS
 Inteligencia Artificial Débil:
o Características y aplicaciones.
o Ventajas e inconvenientes.
o Usos y posibilidades.
 Inteligencia Artificial Fuerte:
o Características y aplicaciones.
o Ventajas e inconvenientes.
o Usos y posibilidades.
ACTIVIDADES DE ENSEÑANZA -APRENDIZAJE
Qué / para qué Cómo Con que Cómo y con que se valora
Actividades Tareas prof. Tareas Producto Recursos Instrumentos y proced. de Sesiones

alum. evaluación
Nº Título
Página - 14
1 Principios Explicación del Escucha Notas tomadas por los alumnos Pizarra, Escalas numéricas/rubricas/informes 1 1/2
básicos de la concepto activa documentación
Inteligencia asociado /toma de U.T.1 Ejercicios / Cuestionarios / Pruebas
Artificial notas prácticas
2 Conceptos Explicación de Escucha Notas tomadas por los alumnos Pizarra, Escalas numéricas/rubricas/informes 1/2
básicos de los conceptos activa / documentación
Inteligencia asociados toma de U.T.1 Ejercicios / Cuestionarios / Pruebas
Artificial fuerte notas prácticas
3 Conceptos Explicación de Escucha Notas tomadas por los alumnos Pizarra, Escalas numéricas/rubricas/informes 1
básicos de los conceptos activa / documentación
Inteligencia asociados toma de U.T.1 Ejercicios / Cuestionarios / Pruebas
Artificial Debil notas prácticas
4 Usos y Explicación de Escucha Notas tomadas por los alumnos Pizarra, Escalas numéricas/rubricas/informes 1 1/2
aplicaciones de los conceptos activa / documentación
la Inteligencia asociados toma de U.T.1 Ejercicios / Cuestionarios / Pruebas
Artificial Fuerte y notas prácticas
Debil
2 DETERMINACIÓN DE SISTEMAS DE APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING) 4 1/2
Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning), testeando su SI

aplicabilidad para la resolución de problemas.
Página - 15
2 Se han identificado los Escalas 5% Se han identificado los principios de

principios de sistemas de numéricas/rubricas/informes sistemas de aprendizaje automático.
aprendizaje automático.
2 Se han determinado tipos y Escalas 10 % Se han determinado tipos y usos de

usos de sistemas de numéricas/rubricas/informes sistemas de aprendizaje automático.
aprendizaje automático.
2 Se han determinado técnicas y Escalas 20 % Se han determinado técnicas y

herramientas de sistemas de numéricas/rubricas/informes herramientas de sistemas de aprendizaje
aprendizaje automático. automático.
2 Se han encontrado diferencias Escalas 2% Se han encontrado diferencias entre los

entre los tipos de sistemas de numéricas/rubricas/informes tipos de sistemas de aprendizaje
aprendizaje automático. automático.
2 Se han asociado técnicas y Escalas 3% Se han asociado técnicas y herramientas

herramientas a cada tipo de numéricas/rubricas/informes a cada tipo de sistemas de aprendizaje
sistemas de aprendizaje automático.
automático.
CONTENIDOS
 Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado.
 Principales técnicas para desarrollar aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.
 Algoritmos o modelos aplicados al aprendizaje automático:
o Algoritmos de clasificación.
o Algoritmos de detección de anomalías.
o Algoritmos de regresión.
Página - 16
o Algoritmos de clustering.
o Algoritmos de refuerzo del aprendizaje.
o Árboles y reglas de decisión.
o Otros algoritmos relacionados con el aprendizaje automático.
 Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.
 Herramientas de. Aprendizaje automático.
 Aplicaciones del Machine Learning.

alum. evaluación
Nº Título
1 Aprendizaje Explicación de los Escucha Notas tomadas por los alumnos Pizarra. Escalas 1
supervisado: conceptos activa /toma Documentación numéricas/rubricas/informes
conceptos y asociados de notas U.T. 2
técnicas Ejercicios / Cuestionarios /
Pruebas prácticas
2 Aprendizaje no Explicación de los Escucha Notas tomadas por los alumnos Pizarra. Escalas 1
supervisado: conceptos activa / Documentación numéricas/rubricas/informes
conceptos y asociados a toma de U.T. 2
técnicas notas Ejercicios / Cuestionarios /
Pruebas prácticas
3 Procedimientos de Explicación de los Escucha Notas tomadas por los alumnos Pizarra, Escalas 1
manipulación de conceptos activa /toma documentación numéricas/rubricas/informes
datos, búsqueda asociados de notas U.T. 2.
de patrones y
Página - 17
toma de Ejercicios / Cuestionarios /
decisiones Pruebas prácticas
4 Herramientas Explicación del Escucha Notas tomadas por los alumnos Pizarra, IDE Escalas 1
software de funcionamiento activa /toma / informes de ejemplos Python, numéricas/rubricas/informes
aprendizaje de las de notas / Herramientas
automático herramientas / realización software diversas, Ejercicios / Cuestionarios /
aclaración de de ejemplos documentación Pruebas prácticas
dudas U.T. 2
5 Aplicaciones del Explicación de los Escucha Notas tomadas por los alumnos Pizarra. Escalas 1/2
Machine Learning conceptos activa / Documentación numéricas/rubricas/informes
asociados toma de U.T.2
notas Ejercicios / Cuestionarios /
Pruebas prácticas
3 ALGORITMOS APLICADOS AL APRENDIZAJE SUPERVISADO Y OPTIMIZACIÓN 9

DEL MODELO I: CONCEPTOS BÁSICOS Y FASES DE LA CREACIÓN DE UN
MODELO
Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos SI
asociados.
Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos
asociados. NO
2 Se han asociado técnicas y Escalas 4% Se han asociado técnicas y herramientas a

Página - 18
herramientas a cada tipo de numéricas/rúbricas/informes cada tipo de sistemas de aprendizaje
sistemas de aprendizaje automático.
automático.
3 Se han proporcionado los Escalas 12 % Se han proporcionado los datos etiquetados

datos etiquetados al modelo. numéricas/rubricas/informes al modelo.
3 Se han seleccionado los datos Escalas 12 % Se han seleccionado los datos de entrada, ya
de entrada, ya sean para la numéricas/rubricas/informes sean para la fase de entrenamiento, fase de
fase de entrenamiento, fase validación o fase de testeo de datos entre
de validación o fase de testeo otras.
de datos entre otras.
3 Se han utilizado los datos en Escalas 12 % Se han utilizado los datos en la fase de
la fase de entrenamiento para numéricas/rubricas/informes entrenamiento para la construcción del
la construcción del modelo modelo aplicando características relevantes
aplicando características obtenidas..
relevantes obtenidas.
3 Se ha evaluado el modelo con Escalas 12 % Se ha evaluado el modelo con los datos

los datos obtenidos en la fase numéricas/rubricas/informes obtenidos en la fase de validación.
de validación.
3 Se han ajustado los datos de Escalas 12% Se han ajustado los datos de aprendizaje
aprendizaje supervisado en la numéricas/rubricas/informes supervisado en la fase de ajuste para mejorar
fase de ajuste para mejorar el el rendimiento de las diferentes
rendimiento de las diferentes características o parámetros.
características o parámetros.
3 Se ha implementado el Escalas 12% Se ha implementado el modelo para realizar

modelo para realizar numéricas/rubricas/informes predicciones sobre nuevos datos.
predicciones sobre nuevos
datos.
3 Se han detectado y Escalas 12% Se han detectado y minimizado los riesgos

minimizado los riesgos
Página - 19
asociados al modelo. numéricas/rubricas/informes asociados al modelo.
3 Se ha optimizado el modelo Escalas 12% Se ha optimizado el modelo de aprendizaje

de aprendizaje supervisado numéricas/rubricas/informes supervisado validando datos de prueba.
validando datos de prueba.
CONTENIDOS
 Determinación de elementos y herramientas de aprendizaje supervisado.
 Datos etiquetados.
 Variables de entrada (input data). Etiquetas de salida.
 Fases del aprendizaje automático:
o Selección del algoritmo de aprendizaje supervisado.
o Selección de datos.
o Construcción del modelo.
o Validación del modelo.
o Ajuste de características o parámetros.
o Implementación del modelo propuesto.
o Verificación del modelo de prueba.
o Optimización del modelo.
Actividades Tareas prof. Tareas alum. Producto Recursos Instrumentos y proced. de Sesiones
Página - 20
Nº Título evaluación
1 Concepto de Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 1 1/2
aprendizaje de los activa /toma documentación numéricas/rubricas/informes
supervisado: conceptos de notas U.T. 3
revisión asociados Ejercicios / Cuestionarios / Pruebas
prácticas
Herramientas
para el
aprendizaje
supervisado:
descripción
2 Conceptos y Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 1 1/2
técnicas de de los activa /toma documentación numéricas/rubricas/informes
etiquetado de conceptos de notas U.T. 3
datos: asociados Ejercicios / Cuestionarios / Pruebas
explicación prácticas
3 Conceptos y Aclaración Realización de Software, documento de Pizarra, IDE Escalas 1 1/2

técnicas de dudas los ejercicios e prácticas y ejercicios Python, numéricas/rubricas/informes
etiquetado de informes de documentación
datos: ejercicios prácticas U.T.3 Ejercicios / Cuestionarios / Pruebas
sobre conjuntos prácticas
de datos
4 Fases del Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 1 1/2
automático: conceptos de notas U.T. 3
descripción asociados Ejercicios / Cuestionarios / Pruebas
prácticas
5 Fases del Aclaración Realización de Software, documento de Pizarra, IDE Escalas 3

aprendizaje dudas los ejercicios e prácticas y ejercicios Python, numéricas/rubricas/informes
automático: asociados informes de documentación
ejercicios y prácticas U.T. 3 Ejercicios / Cuestionarios / Pruebas
Página - 21
tareas prácticas
4 ALGORITMOS APLICADOS AL APRENDIZAJE SUPERVISADO Y 18

OPTIMIZACIÓN DEL MODELO II: TÉCNICAS DE REGRESIÓN Y CLASIFICACIÓN
Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los riesgos SI
asociados.
3 Se han proporcionado los Escalas 12.5 % Se han proporcionado los datos etiquetados
datos etiquetados al numéricas/rubricas/informes al modelo.
modelo.
3 Se han seleccionado los Escalas 12.5 % Se han seleccionado los datos de entrada,
datos de entrada, ya sean numéricas/rubricas/informes ya sean para la fase de entrenamiento, fase
para la fase de de validación o fase de testeo de datos
entrenamiento, fase de entre otras.
validación o fase de testeo
de datos entre otras.
3 Se han utilizado los datos en Escalas 12.5 % Se han utilizado los datos en la fase de
la fase de entrenamiento numéricas/rubricas/informes entrenamiento para la construcción del
para la construcción del modelo aplicando características relevantes
modelo aplicando obtenidas..
características relevantes
Página - 22
obtenidas.
3 Se ha evaluado el modelo Escalas 12.5 % Se ha evaluado el modelo con los datos

con los datos obtenidos en numéricas/rubricas/informes obtenidos en la fase de validación.
la fase de validación.
3 Se han ajustado los datos de Escalas 12.5% Se han ajustado los datos de aprendizaje
aprendizaje supervisado en numéricas/rubricas/informes supervisado en la fase de ajuste para
la fase de ajuste para mejorar el rendimiento de las diferentes
mejorar el rendimiento de características o parámetros.
las diferentes características
o parámetros.
3 Se ha implementado el Escalas 12.5% Se ha implementado el modelo para realizar

modelo para realizar numéricas/rubricas/informes predicciones sobre nuevos datos.
predicciones sobre nuevos
datos.
3 Se han detectado y Escalas 12.5% Se han detectado y minimizado los riesgos

minimizado los riesgos numéricas/rubricas/informes asociados al modelo.
asociados al modelo.
3 Se ha optimizado el modelo Escalas 12.5% Se ha optimizado el modelo de aprendizaje

de aprendizaje supervisado numéricas/rubricas/informes supervisado validando datos de prueba.
validando datos de prueba.
CONTENIDOS
 Técnicas de aprendizaje supervisado: regresiones y clasificaciones
 Plataformas de aprendizaje automático supervisado y su uso
Página - 23
Sesiones
Actividades Tareas prof. Tareas alum. Producto Recursos Instrumentos y proced. de

evaluación
Nº Título
1 Conceptos y Explicación Escucha activa Notas tomadas por los Pizarra, Escalas 4 1/2
técnicas aprendizaje de los /toma de alumnos documentación numéricas/rubricas/informes
supervisado: conceptos notas U.T. 3
clasificación, asociados Ejercicios / Cuestionarios /
detección, Pruebas prácticas
segmentación,
regresión.
2 Conceptos y Aclaración Realización de Software, documento de Pizarra, IDE Escalas 13 1/2

técnicas de dudas los ejercicios prácticas y ejercicios Python, numéricas/rubricas/informes
aprendizae e informes de documentación
supervisado: prácticas U.T.3 Ejercicios / Cuestionarios /
clasificación, Pruebas prácticas
detección,
segmentación,
regresión: ejercicios
en los que se pone
en práctica las
técnicas.
5 APLICACIÓN DE TÉCNICAS DE APRENDIZAJE NO SUPERVISADO I: 4 1/2

FUNDAMENTOS DEL APRENDIZAJE NO SUPERVISADO

Página - 24
Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que tratan de SI
resolver.
4 Se han caracterizado los Escalas 50 % Se han caracterizado los tipos de

tipos de problemas que el numéricas/rubricas/informes problemas que el aprendizaje no
aprendizaje no supervisado supervisado trata de resolver.
trata de resolver.
4 Se han caracterizado las Escalas 50 % Se han caracterizado las técnicas de

técnicas de aprendizaje no numéricas/rubricas/informes aprendizaje no supervisado utilizadas para
supervisado utilizadas para la resolución de dichos tipos de problemas
la resolución de dichos tipos
de problemas
CONTENIDOS
 Técnicas de aprendizaje no supervisado.
 Determinación de elementos y herramientas de Aprendizaje no supervisado.
 Plataformas de aprendizaje automático no supervisado.
 Fases del aprendizaje automático no supervisado.
evaluación
Nº Título
Página - 25
1 Conceptos Explicación Escucha activa Notas tomadas por los alumnos Pizarra, Escalas 1
básicos de de los /toma de documentación numéricas/rubricas/informes
aprendizaje no conceptos notas U.T.4
supervisado: asociados Ejercicios / Cuestionarios /
revisión. Fases Pruebas prácticas
del aprendizaje
automático no
supervisado.
2 Elementos y Explicación Escucha activa Notas tomadas por los alumnos Pizarra, Escalas
herramientas de los /toma de documentación numéricas/rubricas/informes
empleadas en conceptos notas U.T.4 1
aprendizaje no asociados Ejercicios / Cuestionarios /
supervisado Pruebas prácticas
3 Tareas previas Explicación Escucha activa Notas tomadas por los alumnos Pizarra, IDE Python, Escalas 1
con los datos en de los /toma de / informes de ejemplos documentación numéricas/rubricas/informes
aprendizaje no conceptos notas / U.T.4
supervisado asociados / seguimiento Ejercicios / Cuestionarios /
realización de ejemplos Pruebas prácticas
de ejemplos
4 Técnicas de Explicación Escucha activa Notas tomadas por los alumnos Pizarra. Escalas 1
aprendizaje no de los / toma de Documentación U.T. numéricas/rubricas/informes
supervisado: conceptos notas 4
descripción asociados Ejercicios / Cuestionarios /
Pruebas prácticas
5 Plataformas de Explicación Escucha activa Notas tomadas por los alumnos Pizarra, IDE Python, Escalas 1/2
aprendizaje de los /toma de herramientas numéricas/rubricas/informes
automático no conceptos notas software de
supervisado asociados / aprendizaje no Ejercicios / Cuestionarios /
realización supervisado Pruebas prácticas
de ejemplos documentación U.T.
Página - 26
4
6 APLICACIÓN DE TÉCNICAS DE APRENDIZAJE NO SUPERVISADO II: 18

REDUCCIÓN DE DIMENSIONALIDAD, CLUSTERIZACIÓN Y AGRUPAMIENTO
Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que tratan de SI
resolver.
4 Se han aplicado algoritmos Escalas 50 % Se han aplicado algoritmos utilizados en el

utilizados en el aprendizaje numéricas/rubricas/informes aprendizaje no supervisado..
no supervisado.y de
sistemas robotizados.
4 Se ha optimizado el modelo Escalas 50 % Se ha optimizado el modelo de aprendizaje

de aprendizaje no numéricas/rubricas/informes no supervisado validando datos de prueba.
supervisado validando datos
de prueba.
CONTENIDOS
 Algoritmos de aprendizaje no supervisado. Reducción de dimensión, clusterización, agrupamiento
Actividades Tareas prof. Tareas alum. Producto Recursos Instrumentos y proced. de

Página - 27
evaluación Sesiones
Nº Título
1 Algoritmos de Explicación Escucha activa Notas tomadas por los alumnos Pizarra. Escalas 3
aprendizaje no de los / toma de Documentación numéricas/rubricas/informes
supervisado: PCA, conceptos notas U.T. 4
ADL, IIL asociados Ejercicios / Cuestionarios /
Pruebas prácticas
2 Algoritmos de aclaración de Realización de Software, documento de Pizarra, IDE Escalas 3

aprendizaje no dudas los ejercicios prácticas y ejercicios Python, numéricas/rubricas/informes
supervisado: PCA, e informes de documentación
ADL, IIL.ejercicios prácticas U.T.4 Ejercicios / Cuestionarios /
sobre conjuntos de Pruebas prácticas
datos
KMeans y versiones, asociados Ejercicios / Cuestionarios /
Pruebas prácticas

supervisado: e informes de documentación
KMeans y versiones: prácticas U.T.4 Ejercicios / Cuestionarios /
ejercicios sobre Pruebas prácticas
conjuntos de datos
agrupamiento asociados Ejercicios / Cuestionarios /
Pruebas prácticas

Página - 28
supervisado: e informes de documentación
agrupamiento: prácticas U.T.4 Ejercicios / Cuestionarios /
ejercicios sobre Pruebas prácticas
conjuntos de datos
7 APLICACIÓN DE MODELOS COMPUTACIONALES DE REDES NEURONALES Y 9

COMPARACIÓN CON OTROS MODELOS I: CONCEPTOS BÁSICOS.
PERCEPTRON
Aplica modelos computacionales de redes neuronales comparándolos con otros métodos de inteligencia SI
artificial.
5 Se han comparado las redes Escalas 50 % Se han comparado las redes de neuronas
de neuronas artificiales con numéricas/rubricas/informes artificiales con otros métodos de
otros métodos de inteligencia artificial.
5 Se han evaluado los Escalas 50 % Se han evaluado los modelos neuronales

modelos neuronales para numéricas/rubricas/informes para elegir el más adecuado para cada clase
elegir el más adecuado para de problema.
cada clase de problema.
CONTENIDOS
 Aprendizaje automático frente a aprendizaje profundo.
Página - 29
 Cómo aprende una red neuronal.
evaluación
Nº Título
1 Diferencia entre Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 1
automático y conceptos de notas U.T.5
aprendizaje asociados Ejercicios / Cuestionarios /
profundo Pruebas prácticas
2 Estructura y Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 1
funcionamiento de de los activa /toma documentación numéricas/rubricas/informes
una neurona: conceptos de notas U.T.5
conceptos, asociados Ejercicios / Cuestionarios /
descripción y Pruebas prácticas
explicación
2 Estructura y Aclaración Realización de Software y documentos de Pizarra, IDE Escalas 3

funcionamiento de de dudas los ejercicios ejercicios Python, numéricas/rubricas/informes
una neurona: documentación
ejercicios de U.T.5 Ejercicios / Cuestionarios /
creación de una Pruebas prácticas
neurona
3 Perceptrón: Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 1
conceptos, de los activa /toma documentación numéricas/rubricas/informes
estructura y conceptos de notas U.T. 5
funcionamiento asociados Ejercicios / Cuestionarios /
Pruebas prácticas
Página - 30
4 Perceptron: Aclaración Realización de Software, documento de Pizarra, IDE Escalas 3
Ejercicios de dudas los ejercicios prácticas y ejercicios Python, numéricas/rubricas/informes
creación de un e informes de documentación
perceptron prácticas U.T.5 Ejercicios / Cuestionarios /
Pruebas prácticas

COMPARACIÓN CON OTROS MODELOS II: PERCEPTRÓN MULTICAPA
artificial.
5 Se han aplicado técnicas de Escalas 50 % Se han aplicado técnicas de aprendizaje

aprendizaje profundo numéricas/rubricas/informes profundo (deep learning) para entrenar
(deep learning) para redes de neuronas.
entrenar redes de
neuronas..
5 Se han comparado las Escalas 25 % Se han comparado las redes de neuronas

redes de neuronas numéricas/rubricas/informes artificiales con otros métodos de
artificiales con otros inteligencia artificial.
métodos de inteligencia
artificial.
5 Se ha reconocido una red Escalas 25 % Se ha reconocido una red de neuronas

de neuronas entrenada a numéricas/rubricas/informes entrenada a partir de un conjunto de
partir de un conjunto de
Página - 31
datos. datos.
CONTENIDOS
 Modelos de redes neuronales artificiales: Perceptrón multicapa

alum. evaluación
Nº Título
2 Estructura y Explicación Escucha Notas tomadas por los Pizarra, Escalas 3

funcionamiento de un de los activa /toma alumnos documentación numéricas/rubricas/informes
perceptrón multicapa, conceptos de notas U.T.5
descripción y asociados Ejercicios / Cuestionarios /
explicación Pruebas prácticas
2 Estructura y Aclaración de Realización Software y documentos de Pizarra, IDE Escalas 6

funcionamiento de un dudas de los ejercicios Python, numéricas/rubricas/informes
perceptrón multicapa: ejercicios documentación
ejercicios de creación U.T.5 Ejercicios / Cuestionarios /
de un perceptrón Pruebas prácticas
multicapa para
clasificación o
regresión

COMPARACIÓN CON OTROS MODELOS III: REDES NEURONALES
AVANZADAS (REDES CONVOLUCIONALES, TENDENCIAS ACTUALES)
Página - 32
artificial.
5 Se han aplicado técnicas de Escalas 50 % Se han aplicado técnicas de aprendizaje

aprendizaje profundo (deep numéricas/rubricas/informes profundo (deep learning) para entrenar
learning) para entrenar redes de neuronas.
redes de neuronas..
5 Se han comparado las redes Escalas 25 % Se han comparado las redes de neuronas
de neuronas artificiales con numéricas/rubricas/informes artificiales con otros métodos de
otros métodos de inteligencia artificial.
5 Se ha reconocido una red Escalas 25 % Se ha reconocido una red de neuronas

de neuronas entrenada a numéricas/rubricas/informes entrenada a partir de un conjunto de
partir de un conjunto de datos.
datos.
CONTENIDOS
 Modelos de redes neuronales artificiales: Perceptrón multicapa, redes neuronales convolucionales, tendencias actuales (redes generativas y recurrentes)

alum. evaluación
Nº Título
1 Redes neuronales Explicación Escucha Notas tomadas por los alumnos Pizarra, Escalas 3
Página - 33
convolucionales: de los activa /toma documentación numéricas/rubricas/informes
conceptos, estructura conceptos de notas U.T. 5
y funcionamiento asociados Ejercicios / Cuestionarios /
Pruebas prácticas
2 Redes neuronales Aclaración Realización Software, documento de Pizarra, IDE Escalas 4 1/2
convolucionales: dudas de los prácticas y ejercicios Python, numéricas/rubricas/informes
Ejercicios de creación ejercicios e documentación
de una red informes de U.T.5 Ejercicios / Cuestionarios /
convolucional para prácticas Pruebas prácticas
clasificación de
imagenes
3 Tendencias en redes Explicación Escucha Notas tomadas por los Pizarra, IDE Escalas 1 1/2
neuronales: redes de los activa /toma alumnos / informes de Python numéricas/rubricas/informes
generativas, redes conceptos de notas / ejemplos documentación
recurrentes: asociados / realización U.T. 5 Ejercicios / Cuestionarios /
conceptos, estructura realización de de ejemplos Pruebas prácticas
y funcionamiento ejemplos
10 VALORACIÓN DE LA CALIDAD DE LOS RESULTADOS OBTENIDOS EN LA 4 1/2

PRÁCTICA CON SISTEMAS DE APRENDIZAJE AUTOMÁTICO
Valora la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático SI
integrando principios fundamentales de la computación.
6 Se ha valorado la Escalas 20 % Se ha valorado la conveniencia de los

Página - 34
conveniencia de los numéricas/rubricas/informes algoritmos propuestos para dar solución a los
algoritmos propuestos para problemas planteados.
dar solución a los problemas
planteados.
6 Se ha evaluado la aplicación Escalas 20% Se ha evaluado la aplicación práctica de los

práctica de los principios y numéricas/rubricas/informes principios y técnicas básicas de los sistemas
técnicas básicas de los inteligentes.
sistemas inteligentes.
6 Se han integrado los Escalas 20% Se han integrado los principios

principios fundamentales de numéricas/rubricas/informes fundamentales de la computación en la
la computación en la práctica práctica para seleccionar, valorar y crear
para seleccionar, valorar y nuevos desarrollos tecnológicos.
crear nuevos desarrollos
tecnológicos.
6 Se han desarrollado sistemas Escalas 20 % Se han desarrollado sistemas y aplicaciones

y aplicaciones informáticas numéricas/rubricas/informes informáticas que utilizan técnicas de los
que utilizan técnicas de los sistemas inteligentes.
sistemas inteligentes.
6 Se han desarrollado técnicas Escalas 20 % Se han desarrollado técnicas de aprendizaje

de aprendizaje numéricas/rubricas/informes computacional dedicadas a la extracción
computacional dedicadas a la automática de información a partir de
extracción automática de grandes volúmenes de datos.
información a partir de
grandes volúmenes de datos.
CONTENIDOS
 Capacidad de generalización.
 Test.
 Validación.
Página - 35
 Matriz de confusión.
evaluación
Nº Título
1 Capacidad de Explicación de Escucha Notas tomadas por los alumnos Pizarra, Escalas 1
generalización. los conceptos activa /toma documentación numéricas/rubricas/informes
asociados de notas U.T.6
Ejercicios / Cuestionarios / Pruebas
prácticas
2 Test: concepto y Explicación de Escucha Notas tomadas por los Pizarra, IDE Escalas 1
ejemplos los conceptos activa /toma alumnos / informe de ejercicios Pythonm numéricas/rubricas/informes
asociados / de notas / de ejemplo documentación
explicación de realización de U.T. 6 Ejercicios / Cuestionarios / Pruebas
ejemplos ejemplos prácticas
3 Validación: Explicación de Escucha Notas tomadas por los Pizarra, IDE Escalas 1
concepto y los conceptos activa /toma alumnos / informes de ejercicios Python, numéricas/rubricas/informes
ejemplos asociados / de notas / de ejemplo documentación
explicación de realización de U.T. 6 Ejercicios / Cuestionarios / Pruebas
4 Matriz de Explicación de Escucha Notas tomadas por los Pizarra, IDE Escalas 1 1/2
confusión: los conceptos activa /toma alumnos / informes de ejercicios Python, numéricas/rubricas/informes
concepto y asociados / de notas / de ejemplo documentación
ejemplos explicación de realización de U.T. 6 Ejercicios / Cuestionarios / Pruebas
Página - 36
3.3. Secuencia de contenidos
La duración del módulo es de 90 horas (6 ECTS), repartidas en 3 sesiones semanales durante todo el curso (30 semanas). La secuenciación y distribución de
los contenidos que se prevé es la siguiente:
EVALUACION U.T. Título de la unidad Duración en RESULTADOS DE APRENDIZAJE

sesiones
P-5.4.4. LOMCE
R.A.1 R.A.2 R.A.3 R.A.4 R.A.5 R.A.6
1 Caracterización de la Inteligencia Artificial: 4 1/2 X
2 Determinación de sistemas de aprendizaje automático (Machine Learning): 4 1/2 X
3 Algoritmos aplicados al aprendizaje supervisado y optimización del modelo I: 9 X

conceptos básicos y fases en la creación de un modelo
4 Algoritmos aplicados al aprendizaje supervisado y optimización del modelo 18 X

II: técnicas de regresión y clasificación
1º
5 Aplicación de técnicas de aprendizaje no supervisado I: fundamentos del 4 1/2 X

aprendizaje no supervisado
Página - 38
6 Aplicación de técnicas de aprendizaje no supervisado II: reducción de 18 X
dimensionalidad, clusterización y agrupamiento
7 Aplicación de modelos computacionales de redes neuronales y comparación 9 X

con otros modelos I: conceptos básicos. Perceptrón
2º 8 Aplicación de modelos computacionales de redes neuronales y comparación 9 X

con otros modelos II: perceptrón multicapa
9 Aplicación de modelos computacionales de redes neuronales y comparación 9 X

con otros modelos III: redes neuronales avanzadas (redes convolucionales,
tendencias actuales)
10 Valoración de la calidad de los resultados obtenidos en la práctica con 4 1/2 X

sistemas de aprendizaje automático:
90
Página - 39
6. Educación en valores
Entre los contenidos, hay que tener en cuenta los contenidos transversales, que son un conjunto de
tendencias a comportarse y enfrentarse de una determinada manera ante las personas, situaciones,
acontecimientos, objetos o fenómenos. Corresponden al saber ser o saber comportarse.
De hecho, el artículo 33 de la Resolución de 18 de junio de 2009 explicita que la programación docente

deberá recoger la forma en que se incorpora la educación en valores y la igualdad efectiva de derechos
y oportunidades entre hombres y mujeres y no discriminación, consagrada en la Constitución y las
leyes que de ella se derivan, lo que se hará a través de prácticas de aprendizaje automático y
profundo que empleen conjuntos de datos relacionados con la situación de las mujeres en diferentes
países del mundo -en términos de nivel de educativo, de derechos, porcentaje de egresadas en
estudios superiores, de ocupación en el mercado laboral, etc…- para generar modelos que predigan
cual es la situación de las mujeres y ayuden a tomar decisiones políticas y económicas que favorezcan
la igualdad de derechos -objetivo 5 de desarrollo sostenible-
Asimismo se fomentará los valores de justicia, igualdad, libertad, pluralismo político, paz y respeto por
los derechos humanos, por el Estado de derecho, hacia las victimas del terrorismo y de cualquier tipo
de violencia a través de prácticas en las que, empleando conjuntos de datos obtenidos de fuentes
abiertas -Kaggle, UN, gobiernos e instituciones- se empleen modelos de aprendizaje automático y
profundo que puedan predecir el mayor o menor respeto a dichos principios por parte de países,
regiones u organizaciones, planteando en clase debates sobre las posibles medidas a tomar para
mejorar los indicadores asociados -objetivos 1 a 7 de desarrollo sostenible-.
7. Metodología
7.1. Principios pedagógicos generales
La implementación de la tarea docente empleará una didáctica que permita, a través del aprendizaje
competencial, optimizar la preparación para una práctica profesional e incluirá los siguientes
elementos:
 Aprendizaje funcional, orientado al “saber hacer y aplicar” que pueda ser transferido a otras
situaciones de su experiencia más próxima en el mundo real y en su desempeño académico y
profesional
 Actividad del alumnado, en forma de resolución de tareas, proyectos, y estudio personal, lo que
implica una intensa actividad interna de reflexión y análisis.
 Diversidad en la tipología de actividades y tareas de cara a adquirir las competencias desde

diferentes enfoques cognitivos y con carácter motivador.
 Interacción en el aula entre estudiantes y profesor y entre ellos mismos, a través del
cuestionamiento, la resolución de dudas y la confrontación de planteamientos, lo que permite la
reestructuración del conocimiento
 Individualización del proceso de enseñanza aprendizaje mediante la flexibilización del currículo y

su adaptación a las necesidades de cada alumno
 Trabajo por proyectos intermodulares, en el caso del curso de especialización, a través de la

colaboración con empresas del sector que nos ofrecen proyectos que no pueden atender por falta
de tiempo, y sin ningún compromiso laboral, para que organicemos el currículo de todos los
módulos en torno a la realización de los mismos
Página - 40
 Aprendizaje cooperativo y colaborativo “entre iguales” para llevar a cabo los proyectos
intermodulares.
7.2. Principios metodológicos específicos para el módulo
La metodología que se aplicará sitúa al docente como guía en el proceso enseñanza-aprendizaje y al

alumno con actor principal de este proceso, aplicándose metodología activas y participativas e
integrándose los recursos tecnológicos necesarios a través de un modelo inspirado en el Diseño Universal
de Aprendizaje – empleo de múltiples medios y técnicas para conseguir el aprendizaje significativo-.
La metodología de trabajo estará centrada en la resolución de tareas presentadas en una situación de

aprendizaje en torno a un proyecto real proporcionado por una empresa del sector, que será
intermodular, permitiendo la adquisición de los conocimientos asociados a los módulos por parte de los
alumnos, así como fomentar la innovación y el emprendimiento tal y como se indica en el artículo 3 del
Título I, en su punto m) y en el Titulo VIII de la Ley Orgánica 3/2022, de 31 de marzo, de ordenación e
integración de la Formación Profesional, que desarrolla el punto h) de la LOMLOE.
A pesar de ser un módulo eminentemente práctico es necesario partir de una base conceptual para
desarrollar los contenidos y llevarlos a la práctica, por lo se aplica tanto el método de trabajo tradicional
donde el profesor realiza exposiciones, presentaciones y ordena pautas de trabajo, como el método de
trabajo de búsqueda, investigación y cooperación a fin de que los alumnos tomen autonomía e iniciativa
para investigar y llegar a sus propias conclusiones.
Esto se llevará a cabo en varias fases:
 Fase de activación: En la cual el estudiante podrá relacionar el contenido de cada unidad con los
anteriores siguiendo el proceso natural de adquisición de competencias a través de su consolidación
para adquirir nuevos aprendizajes a partir de los conocimientos existentes, empleando ejemplos o
problemas que se plantean a partir de lo ya aprendido.
 Exposición teórico-práctica: Donde el profesor explica los contenidos conceptuales de la unidad y los
acompaña de demostraciones prácticas, bien hechas por él empleando apuntes, presentaciones,
simulaciones programadas, vídeos explicativos, o bien a través de recursos en la red.
 Parte Práctica: En la que se llevarán a cabo tanto ejercicios como actividades de manera individual,
seguidas por las tareas que componen el proyecto en grupo de iguales, con un alumno como tutor del
resto, que sirvan para afianzar los conocimientos teóricos, que al ser reales motivan al alumno en el
aprendizaje de la materia.
Las tareas que componen el proyecto estarán diseñadas para poder atender a alumnos de diferentes
orígenes y experiencia profesional, a través del trabajo en grupo colaborativo y la tutoría entre iguales,
que permite mejorar los aprendizajes tanto de los alumnos más capacitados como de los que se acerca
por primera vez a este campo, así como la maduración y el enriquecimiento personal, la socialización de
los estudiantes, y el fomento del buen clima de trabajo en el aula además del seguimiento de una serie de
normas de convivencia -limpieza, prevención de riesgos, manejo de las herramientas software, respeto
entre compañeros y a los profesores, etc…- lo cual es especialmente importante de cara a la integración
en el mundo laboral. En estas tareas emplearán rúbricas que les permite autoevaluarse verificando la
progresión de su aprendizaje.
La herramienta tecnológica a utilizar será Aulas Virtuales de Educastur, dónde los alumnos tendrán
disponibles todos los recursos didácticos de cada unidad, así como las actividades (cuestionarios,
ejercicios, actividades, tareas, videos, taller, foros de dudas, foros de debates, y glosario). Dichos recursos
y actividades, más allá de los propios del proyecto que nuclea el módulo, serán variados y de índole tanto
teórica como práctica si bien en último termino es está ultima el objetivo del aprendizaje en tanto en
cuanto se trata de adquirir competencias prácticas.
Página - 41
7.3. Aspectos organizativos
7.3.1. Agrupamientos
Los agrupamientos serán flexibles en función del tipo de tarea a realizar, desde el grupo completo para
las exposiciones teórico-prácticas, hasta el trabajo individual para los ejercicios de clase que tienen
que entregar los alumnos, pasando por los grupos para realizar proyectos y prácticas conjuntas, en los
que mezclamos uno o dos alumnos más capaces o con más conocimientos con otros con más
dificultades o menos experiencia, donde los primeros actúan como mentores dentro de un sistema de
tutoría entre iguales.
7.3.2. Tiempos
Las sesiones pueden ser teórico-prácticas o puramente prácticas. La organización de las sesiones
teórico-prácticas se articula en torno a tres fases:
 Encendido de los equipos y arranque de los programas necesarios -navegador con acceso al
campus virtual, software requerido-
 Introducción, que parte de los conocimientos anteriores -haciendo un resumen de lo impartido

hasta entonces- para enfocar al alumno en los nuevos contenidos, acompañada de un ejemplo
sencillo donde se pueden aplicar estos
 Desarrollo de la sesión combinando los contenidos teóricos con la fase práctica, con ejemplos
generados por el profesor o material multimedia en la red, seguido por ejercicios sencillos para
afianzar los conocimientos adquiridos realizados por los alumnos
 Finalización de la sesión, cerrando los programas y apagando los equipos
Las sesiones de prácticas constan de las siguientes fases:
 Encendido de los equipos y arranque de los programas necesarios -navegador con acceso al
campus virtual, software requerido-
 Inicio/reinicio de las actividades del grupo, donde se recomiendo hacer un resumen de lo

realizado hasta el momento por el grupo antes de plantear los objetivos para esa sesión
 Inicio del trabajo en grupo
 Resumen/conclusiones de lo realizado en esa sesión
 Apagado de los equipos y cierre de las aplicaciones empleadas
7.3.3. Espacios
Se emplea el aula de informática con 24 equipos. En este espacio tendrán lugar las sesiones teórico-
prácticas y prácticas.
7.4. Materiales y recursos
Los recursos informáticos que serán necesarios para impartir el módulo son:
 Ordenadores que dispondrán del SO Windows o Linux con al menos 8GB de RAM y
microprocesador adecuado al desarrollo, con conexión de red. Cada alumno tendrá asignado un
ordenador y una cuenta de usuario en uno de los servidores del Departamento de Informática.
con las características siguientes:
 Proyector conectado al ordenador del profesor y software necesario

Página - 42
 Veleda, rotuladores y demás recursos tradicionales del aula.
 Conexión a internet para la búsqueda de recursos, consulta de información, y descarga de

entornos y plugins necesarios para el desarrollo de los trabajos del módulo.
 Navegador, Microsoft 365, Google Colab e IDE Spyder /Anaconda
 Libros:
o Inteligencia artificial fácil: Machine Learning y Deep Learning prácticos. VannieuWebhuyze,

Aurelien. Eni (2020)
o Machine Learning y Deep Learning usando Python, Scikit y Keras. Bobadilla, Jesus. Ra-ma
(2020)
o Aprendizaje automático y profundo en Python. Pineda Pertuz et al, Ra-ma (2022)
o Deep Learning en Python. Chollet, François. Anaya (2019)
o Python Deep Learning. Introducción práctica con Keras y TensorFlow 2. Torres, Jordi.
Marcombo (2020)
 Campus Aulas virtuales Educastur. Se creará un curso para este módulo y curso, al que tendrán
acceso todos los alumnos/as matriculados en el módulo, donde tendrán disponibles los apuntes,
presentaciones, vídeos, ejercicios, actividades y tareas.
8. Evaluación, calificación y contenidos mínimos exigibles para superar el módulo
8.1. Consideraciones generales
La evaluación del módulo se llevará a cabo a través de dos sesiones, una intermedia en febrero, y una
ordinaria al final del periodo lectivo,– que siguiendo las instrucciones de la Circular de inicio de curso de la
Consejería de Educación del Gobierno del Principado de Asturias será publicada en su momento por la
Dirección General de Enseñanzas Profesionales-, donde el agrupamiento de unidades por evaluación es el
indicado en la secuencia de contenidos, además de una evaluación final extraordinaria - en la fecha
marcada por la Dirección General de Enseñanzas Profesionales de acuerdo con lo indicado en la Circular
de inicio de curso-.
Con carácter general, y de acuerdo con la normativa autonómica y el Reglamento de Régimen Interno del
centro, aquellos alumnos que tengan un 20% de faltas de asistencia injustificadas por periodo respecto
del total del módulo, perderán el derecho a la evaluación continua, se les comunicará por escrito.
Todos las pruebas objetivas y prácticas quedarán recogidas en el Libro de Calificaciones del Campus
Virtual.
8.2. Evaluación inicial
La evaluación inicial de los alumnos del curso de especialización seguirá tres fases:
• Una primera fase en la que se recopilarán los datos e información académica y personal del
alumnado de nueva incorporación al curso, con atención detallada acerca de sus habilidades en el
campo de la computación -no todos los alumnos que se pueden incorporar al curso de
especialización provienen de los ciclos de la familia de Informática y Comunicaciones, sino que
también provienen de ciclos de la familia de Electricidad y Electrónica, a los que no se les supone
conocimientos de programación por no aparecer en su currículo-, así como aquellas situaciones que
vayan asociadas a adaptaciones no significativas.
Página - 43
• Una prueba inicial para evaluar los conocimientos del alumnado y verificar la información obtenida
en el punto anterior sobre las competencias del alumnado, en especial las relacionadas con la
destreza en la programación -R.A 1 a 7 del módulo de Programación de los CFGS Desarrollo de
Aplicaciones Multiplataforma y Desarrollo de Aplicaciones Web-, así como y la estadística .
• Un diseño de actividades posterior a la prueba, que teniendo en cuenta sus resultados, permita
nivelar los conocimientos de los alumnos con mayores carencias – en principio aquellos que no han
cursado los CFGS DAM y DAW-, de cara a maximizar su probabilidad de conseguir adquirir los
aprendizajes definidos en los R.A. del módulo.
8.3. Criterios de evaluación y su concreción
Los criterios de evaluación suponen el elemento de objetivación de la adquisición por el estudiante de

las competencias del módulo y van asociados a resultados de aprendizaje, distribuidos en las
diferentes unidades de trabajo que se han esquematizado en el apartado correspondiente de la
programación. Cada uno de los criterios de evaluación se pondera con una puntuación de 0 a 10
puntos. El conjunto de criterios de evaluación de cada trimestre se evalúa a través de una serie de
ejercicios y tareas, cuestionarios, exámenes prácticos y proyectos, cuya ponderación para la
calificación final se analiza en un apartado posterior.
8.4. Técnicas, procedimientos e instrumentos de evaluación
8.4.1. Técnicas de evaluación
Dentro de los tres tipos de técnicas de evaluación existentes -heteroevaluación o evaluación del
alumno por el profesor, autoevaluación o evaluación del alumno a sí mismo, y coevaluación o
evaluación del alumno por sus iguales-, la evaluación del módulo a nivel formal o académico con
efectos administrativos se centrará en la heteroevaluación a través de diferentes procedimientos,
mientras que la autoevaluación y la coevaluación se recomendarán al alumnado para su uso personal y
control de la progresión de su aprendizaje.
8.4.2. Procedimientos de evaluación
Los procedimientos de evaluación empleados serán los siguientes:
• Pruebas objetivas (test)
• Exámenes prácticos
• Ejercicios teóricos sobre los contenidos de cada unidad realizados en clase o en casa
• Ejercicios y actividades prácticos sobre los contenidos de cada unidad realizados en clase
• Tareas propias del proyecto asociado a la situación de aprendizaje que nuclea el módulo
• Preguntas en clase que permitan determinar el grado de comprensión de los contenidos
8.4.3. Instrumentos de evaluación
En la heteroevaluación se empleará la escala numérica para los exámenes, cuestionarios, ejercicios

teóricos y prácticos y proyectos, utilizando rúbricas para verificar la consecución de los objetivos de
cada ejercicio teórico o práctico, así como los proyectos. Para la autoevaluación y la coevaluación se
recomendará a los alumnos el uso de diarios, fichas de observación y DAFO.
8.5. Criterios de calificación
8.5.1. Consideraciones generales
Página - 44
Los instrumentos indicados en el apartado anterior se emplearán para la calificación del módulo, teniendo
en cuenta una serie de criterios generales que se evaluarán en todos ellos, como son:
• Respetar las normas de seguridad e higiene en el trabajo -ergonomía-
• Cumplimiento de las normas de prevención de riesgos laborales
• Empleo correcto del lenguaje a nivel ortográfico y sintáctico
• Expresión ordenada de las ideas y conceptos de manera oral y escrita
8.5.2. Evaluaciones intermedias
La calificación de los alumnos para las evaluaciones intermedias será mediante notación numérica de 1 a
10. La calificación puede concretarse a través de la nota media ponderada de la puntuación de los
criterios de evaluación asociados a las unidades didácticas impartidas en las mismas, siguiendo el
siguiente protocolo:
Se entiende que cada criterio puede evaluarse a través de diferentes procedimientos, cada uno de
los cuales tendrá un peso diferente a la hora de puntuar el mismo. En el caso de está programación
cada criterio se evaluará a través de tres tipos de procedimientos:
Prueba objetiva: consistirá en cuestionario tipo test de conceptos teórico-prácticos asociados a

los criterios de evaluación correspondientes a las unidades de trabajo evaluadas. Se realizará de
forma presencial, siempre que las circunstancias sanitarias lo permitan. La calificación se obtendrá
calculando la nota media de cada conjunto de cuestiones asociadas a cada criterio de evaluación y
multiplicando cada una de estas notas medias obtenidas por 0.15
Ejercicios, actividades y tareas: consistirá en la realización de ejercicios teóricos y prácticos,

actividades y tareas correspondientes al proyecto colaborativo asociados a los criterios de
evaluación correspondientes a las unidades de trabajo evaluadas. Se hace de manera individual o
en grupo, en función de lo que haya planteado el profesor. Se deberán entregar en la fecha
indicada. La entrega fuera de plazo o no entrega implica la no calificación del ejercicio. La
calificación se obtendrá calculando la nota media de cada conjunto de ejercicios, actividades y
tareas asociados a cada criterio de evaluación y multiplicando cada una de estas notas medias
obtenidas por 0.55
Examen práctico: consistirá en una prueba práctica individual conformada por una serie de
ejercicios y actividades correspondientes a los criterios de evaluación asociados a las unidades de
trabajo evaluadas, que se realizará en el aula de manera individual. La calificación se obtendrá
calculando la nota media de cada conjunto de ejercicios y actividades asociados a cada criterio de
evaluación y multiplicando cada una de las notas medias obtenidas por 0.3
La calificación final de cada evaluación intermedia se obtendrá sumando las tres notas
correspondientes a cada criterio de evaluación y, una vez hecho, obteniendo la nota media
ponderada de los mismos para determinar la nota de cada resultado de aprendizaje, y a continuación
calculando la media aritmética de los resultados de aprendizaje. Para que se pueda realizar la media
ponderada se debe de haber obtenido una nota de 5,00 o superior en cada uno de los componentes
de la nota asociada a cada criterio de evaluación, en otro caso la nota máxima será un 4,00
independientemente del resultado de la ponderación anterior.
En aquellos casos en los que no se hayan empleando los cuestionarios y/o las preguntas de examen
para evaluar un criterio, sus porcentajes se sumarán al de los ejercicios de clase.
Para superar el módulo la calificación final deberá ser de 5 o superior.
8.5.3. Evaluación final ordinaria

Página - 45
La calificación final del módulo será la media aritmética de las calificaciones obtenidas en las
evaluaciones intermedias, siempre que estén todas aprobadas.
Los alumnos que no hayan superado alguna o todas las evaluaciones, deberán presentarse a la
convocatoria ordinaria en la fecha que marcará la Dirección General de Enseñanzas Profesionales de
la Consejería de Educación.
El examen final que se realizará en la convocatoria ordinaria tendrá parte específica para los
contenidos de cada una de las evaluaciones no superadas. Para realizarlo el alumno deberá entregar
todos los ejercicios, actividades y tareas pendientes. La nota final de la evaluación será la media
ponderada de la prueba, los ejercicios, actividades y tareas, y se determinara de acuerdo con el
procedimiento indicado en el punto 8.5.2 .
Para superar el módulo la nota final deberá ser de 5 o superior.
8.5.4. Alumnos con el módulo pendiente tras la evaluación ordinaria: actividades y

procedimientos de recuperación del módulo
Los alumnos con este módulo profesional pendiente asistirán a clase hasta la fecha en la que
convoque la evaluación extraordinaria por parte de la Dirección General de Enseñanzas Profesionales
de la Consejería de Educación, y realizar las tareas -ejercicios, prácticas, pruebas objetivas- indicadas
por el profesor de cara a superar los criterios de evaluación no aprobados, y alcanzar los resultados
de aprendizaje.
8.5.5. Evaluación extraordinaria
Los alumnos que no superen el módulo en la convocatoria ordinaria realizarán una prueba en la
fecha que marque la Dirección General de Enseñanzas Profesionales de la Consejería de Educación,
que tendrá dos partes, una prueba objetiva o tipo test y un examen práctico, con estructura y
calificación análogas a las vistas en el apartado 8,5,2, de tal modo que los alumnos solo tienen que
realizar las cuestiones, ejercicios, y actividades correspondientes a cada uno de los criterios de
evaluación no superados y que abarcará todos los contenidos mínimos exigibles del módulo
profesional.
Para realizar esta prueba es obligatorio que el alumno entregue todos los ejercicios, actividades y
tareas pendientes, así como las actividades de recuperación y pruebas que se indiquen durante ese
periodo y que vayan asociadas a los resultados de aprendizaje y criterios de evaluación no superados.
La nota final de la evaluación será la media ponderada de la prueba y los ejercicios, actividades y
tareas, de acuerdo con el procedimiento indicado en el apartado 8.5.2.
Si esta nota es igual o superior a 5 se entenderá el módulo superado.
6.6 Alumnado que no puede asistir a clase por motivos de salud o aislamiento
En este supuesto se aplazará la prueba a otra fecha, aunque no coincida con su turno de
presencialidad, en la que el alumno ya se haya incorporado. En caso de no poder realizarla por no
existir fecha posible antes de la reunión de evaluación la prueba quedará pospuesta para el siguiente
periodo de evaluación, siendo en este caso la nota de evaluación el resultado de los demás
instrumentos considerados en la evaluación.
Esto será de aplicación siempre y cuando el alumnado presente justificante médico que acredite la
ausencia.
6.7 Mínimos exigibles para superar el módulo

Página - 46
A continuación, se enumeran los criterios de evaluación mínimos exigibles de cada resultado de
aprendizaje.
1. Caracteriza la Inteligencia Artificial fuerte y débil determinando usos y posibilidades.
Criterios de evaluación:
a) Se han determinado las especificidades de Inteligencia Artificial fuerte y débil.
b) Se han establecido las barreras entre la Inteligencia Artificial y el aprendizaje automático (Machine
Learning).
c) Se han diferenciado ámbitos de aplicación de la Inteligencia Artificial fuerte y débil.
d) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial débil.
e) Se han identificado los problemas a los que puede hacer frente la Inteligencia Artificial fuerte.
f) Se han reconocido las ventajas que proporciona cada tipo en la resolución de los problemas.
2. Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning),

testeando su aplicabilidad para la resolución de problemas.
a) Se han identificado los principios de sistemas de aprendizaje automático.
b) Se han determinado tipos y usos de sistemas de aprendizaje automático.
c) Se han determinado técnicas y herramientas de sistemas de aprendizaje automático.
d) Se han encontrado diferencias entre los tipos de sistemas de aprendizaje automático.
e) Se han asociado técnicas y herramientas a cada tipo de sistemas de aprendizaje automático.
3. Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y minimizando los
riesgos asociados.
a) Se han proporcionado los datos etiquetados al modelo.
b) Se han seleccionado los datos de entrada, ya sean para la fase de entrenamiento, fase de validación o
fase de testeo de datos entre otras.
c) Se han utilizado los datos en la fase de entrenamiento para la construcción del modelo aplicando
características relevantes obtenidas.
d) Se ha evaluado el modelo con los datos obtenidos en la fase de validación.
e) Se han ajustado los datos de aprendizaje supervisado en la fase de ajuste para mejorar el rendimiento
de las diferentes características o parámetros.
f) Se ha implementado el modelo para realizar predicciones sobre nuevos datos.
g) Se han detectado y minimizado los riesgos asociados al modelo.
h) Se ha optimizado el modelo de aprendizaje supervisado validando datos de prueba.
Página - 47
4. Aplica técnicas de aprendizaje no supervisado relacionándolas con los tipos de problemas que tratan
de resolver.
a) Se han caracterizado los tipos de problemas que el aprendizaje no supervisado trata de resolver.
b) Se han caracterizado las técnicas de aprendizaje no supervisado utilizadas para la resolución de dichos
tipos de problemas.
c) Se han aplicado algoritmos utilizados en el aprendizaje no supervisado.
d) Se ha optimizado el modelo de aprendizaje no supervisado validando datos de prueba.
5. Aplica modelos computacionales de redes neuronales comparándolos con otros métodos de

a) Se han evaluado los modelos neuronales para elegir el más adecuado para cada clase de problema.
b) Se han aplicado técnicas de aprendizaje profundo (deep learning) para entrenar redes de neuronas.
c) Se han comparado las redes de neuronas artificiales con otros métodos de inteligencia artificial.
d) Se ha reconocido una red de neuronas entrenada a partir de un conjunto de datos.
6. Valora la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático
integrando principios fundamentales de la computación.
a) Se ha valorado la conveniencia de los algoritmos propuestos para dar solución a los problemas
planteados.
b) Se ha evaluado la aplicación práctica de los principios y técnicas básicas de los sistemas inteligentes.
c) Se han integrado los principios fundamentales de la computación en la práctica para seleccionar, valorar
y crear nuevos desarrollos tecnológicos.
d) Se han desarrollado sistemas y aplicaciones informáticas que utilizan técnicas de los sistemas
inteligentes.
e) Se han desarrollado técnicas de aprendizaje computacional dedicadas a la extracción automática de

información a partir de grandes volúmenes de datos.
9. Atención a la Diversidad
De manera general, si este módulo es cursado por un alumno/a con discapacidad, se realizará la
adaptación de las actividades de formación, los criterios y los procedimientos de evaluación
necesarios, de modo que se garantice su accesibilidad a las pruebas de evaluación; esta adaptación en
ningún caso supondrá la supresión de objetivos, o resultados de aprendizaje que afecten a la
competencia general del título.
En este curso, entre el alumnado tenemos dos alumnos TEA y un alumno con dificultades de visión -de
ahora en adelante DV o discapacidad visual-. A estos alumnos se les realizará una serie de
adaptaciones curriculares divididas en tres conjuntos, de acuerdo con el Diseño Universal de
Aprendizaje:
Página - 48
Estrategias de compromiso:
• Asociar en lo posible a los alumnos NEE a un mentor -alumno con mayor experiencia – (TEA)
• Resaltar los éxitos en el proceso de adquisición de aprendizajes (TEA)
• Darles un 50 % más de tiempo para realizar las pruebas objetivas y los exámenes prácticos (TEA y
DV)
Estrategias de representación
• Las preguntas se enunciarán de manera que sean cortas y concretas (TEA)
• Se utilizará la duplicación de pantalla para poder visualizar mejor los contenidos de lo expuesto en
el proyector (DV)
Estrategias de acción y expresión
• Se empleará el software de accesibilidad de Windows (TEA y DV)
• Se emplearán programas específicos para leer el contenido de los textos que aparecen en pantalla
(DV)
• Situar en el aula a los alumnos cerca del profesor y de las pantallas /veledas (TEA y DV)
10. Actividades Extraescolares y Complementarias
Están previstas las siguientes actividades complementarias:
• Jornada de presentación del curso de especialización ante empresas del sector, con networking
de empresas y alumnos
• Charla sobre derechos constitucionales, ética e inteligencia artificial, por un especialista

universitario de reconocido prestigio
• Datathon en el que participen los alumnos del curso organizado por empresa del sector
11. Evaluación de la práctica docente e indicadores de logro
10.1. Evaluación de la práctica docente
La evaluación del programa por parte del docente es un elemento incluido en el Proyecto Curricular y
se lleva a cabo fundamentalmente siguiendo los siguientes criterios:
• Adecuación de las Unidades Didácticas
• Selección de contenidos y coherencia con los objetivos expresados.
• Actividades programadas: variedad claridad y adecuación a las peculiaridades de cada alumno.
• Materiales aportados y/o sugeridos: facilidad de utilización, de comprensión, su utilidad y su

diversidad
• La actuación del profesorado interviniente, coordinación, desempeño.
• La actuación de los alumnos.
• El ámbito de aula: organización, espacios, agrupaciones.
• La valoración externa y asesoramiento del SITE

Página - 49
En cuanto a los procedimientos a utilizar se recomiendan:
• El contraste de experiencias entre compañeros de equipo docente o con otros compañeros
• Los cuestionarios a contestar por los propios profesores, por los alumnos y en su caso por los
padres de estos
• La reflexión del propio docente sobre su experiencia en el aula
10.2. Indicadores de logro
Dentro del aula, debe evaluarse, por un lado la planificación del documento de la Programación
didáctica y por otro lado, la práctica docente. Para ello utilizaremos una lista de cotejo con
indicadores de logro de 0 a 5 con el siguiente significado
Indicador Significado
0 No se ha alcanzado ningún logro 0%
1 Logro inferior a lo aceptable 25%
2 Logro aceptable 50%
3 Logro notable 75%
4 Logro excepcional 100%
Los referentes a través de los que se realiza esta evaluación son:
Indicadores de logro de la planificación de la programación didáctica de aula
Indicador 0 1 2 3 4
Basa la planificación en referentes legales actualizados.
Tiene en cuenta los objetivos del currículo de la Comunidad Autónoma.
Es flexible en la utilización de instrumentos para la evaluación de los alumnos.
Tiene en cuenta medidas para atender a la diversidad de los alumnos.
Emplea recursos informáticos actualizados para el desarrollo de las clases de la asignatura.
Indicadores de logro de la práctica docente:
Indicador 0 1 2 3 4
Colabora con el resto de los compañeros de departamento a la hora de proponer actividades a

los alumnos.
Emplea estrategias expositivas e indagatorias para hacer llegar a los alumnos los contenidos de
estudio.
Organiza la clase de distintas formas para favorecer la socialización y el trabajo en grupo.
Fomenta la auto-evaluación y la co-evaluación en clase.
Emplea una metodología adecuada para ajustarse a los distintos ritmos de aprendizaje de los
Página - 50
alumnos.
Favorece la actividad mental del alumno.
Optimiza el tiempo disponible para la enseñanza.
Evalúa y controla el proceso de compresión y apropiación de los contenidos por parte de los
alumnos.
Indicadores de logro de la adecuación de los materiales y recursos didácticos
Indicador 0 1 2 3 4
Utiliza las herramientas disponibles en el aula-taller para favorecer un aprendizaje más

práctico.
Favorece que los alumnos trabajen en grupo en el taller.
Favorece la variación de los miembros de los grupos para aumentar el compañerismo entre
los alumnos.
Favorece la participación en clase de los alumnos fomentando que presenten todas las dudas
que tengan.
Favorece que los alumnos resuelvan problemas adaptados del mundo real adaptados a su
nivel académico.
Favorece que los alumnos aprendan por sí mismos.
Tiene en cuenta los conocimientos previos de los alumnos a la hora de diseñar los
contenidos.
Incentiva a los alumnos para que busquen información adicional.
Propone proyectos que integren varios bloques de contenido.
Media en los conflictos entre los alumnos.
Resuelve rápidamente los momentos de distracción de los alumnos con anécdotas u otros
métodos que vuelven a centrar la atención de la clase.
Utiliza variedad de materiales didácticos.
Indicadores de logro de la eficacia de las medidas de atención a la diversidad:
Indicador 0 1 2 3 4
Prepara ejercicios para los alumnos que tienen dificultades con los contenidos mostrados.
Tiene disponibles materiales de ampliación de conocimientos.
Explica varias veces los contenidos básicos de distinta forma para que todos los alumnos
puedan comprenderlos.
Se asegura de que los conceptos son comprendidos por los estudiantes.
Página - 51
Contesta adecuadamente a las preguntas de todos los alumnos, aunque sean repetidas.
Motiva a los alumnos rezagados o distraídos.
La evaluación se realiza de forma continua. En un primer momento se valora el contexto y las circunstancias
del aula para poder establecer un punto de partida. Durante el curso se valora la enseñanza, para poder
tomar las medidas correctoras en caso de que sea necesario. A final de curso se hará una reflexión global
que se materializará en una memoria, que se tendrá en cuenta en posteriores programaciones y se incluirá
en la documentación del centro.
11. Bibliografía y normativa
11.1. Bibliografía
Vázquez-Cano, E et al (2022). Como hacer una programación didáctica en Formación Profesional. Sanz y
Torres.
Gairin, J y Ion, G (2021). Prácticas educativas basadas en evidencias. Reflexiones, estrategias y buenas
prácticas. Narcea
11.2. Normativa
Ley Orgánica 3/2022, de 31 de marzo, de ordenación e integración de la Formación Profesional.
Ley Orgánica 3/2020, de 29 de diciembre, por la que se modifica la Ley Orgánica 2/2006, de 3 de mayo, de
Educación.
Ley Orgánica 8/2013, del 9 de diciembre, para la Mejora de la Calidad Educativa
Real Decreto 984/2021, de 16 de noviembre, por el que se regulan la evaluación y la promoción en la

Educación Primaria, así como la evaluación, la promoción y la titulación en la Educación Secundaria
Obligatoria, el Bachillerato y la Formación Profesional. (BOE 17/11/2022)
Real Decreto 1147/2011, de 29 de julio, por el que se establece la Ordenación General de la Formación
Profesional del Sistema Educativo
Real Decreto 279/2021, de 20 de abril, por el que se establece el Curso de especialización en Inteligencia
Artificial y Big Data y se fijan los aspectos básicos del currículo.
Real Decreto 696/1995 (28-4-1995) (BOE 131 02/06) Ordenación de la educación de los alumnos con
necesidades educativas especiales (ámbito ex – territorio MEC).
Resolución de 18 de junio de 2009, de la Consejería de Educación y Ciencia, por la que se regula la

organización y evaluación de la formación profesional del sistema educativo en el Principado de Asturias y
sus respectivas modificaciones.
Circular de inicio de curso 2022-2023: centros públicos. Consejería de Educación del Gobierno del
Principado de Asturias: https://www.educastur.es/-/circulares-inicio-de-curso-2022-2023.-centros-p
%C3%BAblicos-y-privados-sostenidos-con-fondos-p%C3%BAblicos?redirect=%2F
Orientaciones para la elaboración de programaciones docentes de ciclos formativos de fg. Consejería de

Educación del Gobierno del Principado de Asturias. https://www.educastur.es/-/orientaciones-para-la-
elaboracion-de-programaciones-docentes-de-ciclos-formativos-de-fp
Página - 52

Programación Didáctica Sistemas de Aprendizaje Automático 2023-24

Cargado por

Copyright:

Formatos disponibles

Programación Didáctica Sistemas de Aprendizaje Automático 2023-24

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programación Didáctica Sistemas de Aprendizaje Automático 2023-24

Cargado por

Copyright:

Formatos disponibles

I.E.S.

DEPARTAMENTO DE FAMILIA PROFESIONAL:

CERTIFICADO EN INTELIGENCIA ARTIFICIAL Y BIG

P-5.5.4-INTELIGENCIA ARTIFICIAL Y BIG DATA

5072-SISTEMAS DE APRENDIZAJE AUTOMÁTICO

1.1. Principios y fines de esta programación didáctica

1.2. Identificación del título y módulo. Contexto profesional y normativo

1.2.1. Identificación del título y módulo

 Denominación: Inteligencia Artificial y Big Data.

 Nivel: Formación Profesional de Grado Superior.

 Duración: 600 horas.

 Familia Profesional: Informática y Comunicaciones. (Únicamente a efectos de clasificación de las

 Ramas de conocimiento: Ciencias. Ingeniería y Arquitectura.

 Equivalencia en créditos ECTS: 36.

 Referente en la Clasificación Internacional Normalizada de la Educación: P-5.5.4.

Sistemas de Aprendizaje Automático (código 5072) es un módulo que se imparte en el curso de

1.2.2. Contexto profesional y normativo

Esto se refleja en la creciente demanda de profesionales competentes en Inteligencia Artificial y Big

1.3. Contexto socioeducativo. Tipología del alumnado, familias, profesorado y centro

1.3.1. Tipología del centro

1.3.2. Alumnado y familias

En las etapas de ESO y Bachillerato, el perfil del alumnado es el de jóvenes de un entorno

Toda esta diversidad de alumnado y, por consiguiente, de enseñanzas, se encuentra distribuida en

o Mantener la línea de mejora de la calidad educativa, incrementando las tasas de promoción

o Promover en los centros, con la participación de toda la comunidad educativa, un clima de

o Fomentar el desarrollo de la competencia digital del alumnado y el desarrollo de las

1.4.2. Memoria de la materia del curso académico anterior.

 Disponer de equipos adecuados para el curso de especialización

2.1. Objetivo de la Formación Profesional

De acuerdo con el artículo 40 de la LOMLOE, la Formación Profesional en el sistema educativo

a) Desarrollar las competencias propias de cada título de formación profesional.

b) Comprender la organización y las características del sector productivo correspondiente, así

g) Desarrollar una identidad profesional motivadora de futuros aprendizajes y adaptaciones a la

h) Desarrollar las competencias de innovación y emprendimiento que favorezcan su empleabilidad

i) Preparar al alumnado para su progresión en el sistema educativo.

j) Conocer y prevenir los riesgos medioambientales.

k) Preparar al alumnado en materia de digitalización en su sector productivo.

2.2. Objetivos generales del curso

b) Seleccionar datos relevantes de la empresa u organización para desarrollar e implementar

c) Aplicar técnicas de tratamiento de datos para gestionar la transformación digital en las

f) Caracterizar procesos de mejora de la productividad de las empresas para administrar el desarrollo

g) Aplicar herramientas de inteligencia artificial para optimizar el desarrollo de los procesos

h) Utilizar soluciones de Big Data para integrar sistemas de explotación de datos.

j) Determinar la documentación técnica y normativa vigente de los procedimientos de protección de

m) Analizar y utilizar los recursos y oportunidades de aprendizaje relacionados con la evolución

ñ) Evaluar situaciones de prevención de riesgos laborales y de protección ambiental, proponiendo y

p) Identificar y aplicar parámetros de calidad en los trabajos y actividades realizados en el proceso de

Este curso contribuye a la consecución de los objetivos generales o institucionales 1, 2, 3, 4, 5, 6, 7, y 9,

RA-1 Caracteriza sistemas de Inteligencia Artificial relacionándolos con la mejora de la eficiencia

RA-2 Determina técnicas y herramientas de sistemas de aprendizaje automático (Machine Learning),

RA-3 Aplica algoritmos de aprendizaje supervisado, optimizando el resultado del modelo y

4.1 Competencia general

La competencia general de este curso de especialización consiste en programar y aplicar sistemas

4.2 Competencias profesionales, personales y sociales

b) Desarrollar e implementar sistemas de Inteligencia Artificial que faciliten la toma de decisiones

c) Gestionar la transformación digital necesaria en las organizaciones para la consecución de la

d) Aplicar Inteligencia Artificial en funcionalidades, procesos y sistemas de decisión empresariales.

e) Gestionar los distintos tipos de Inteligencia Artificial para la consecución de transformación y

f) Administrar el desarrollo de procesos automatizados que permitan la mejora de la productividad de