| Sesión | Fecha y hora de inicio | Fecha y hora de finalización | Aula | Ubicación |
|---|---|---|---|---|
| 1 | 13/10/2026 16:00 | 13/10/2026 20:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 2 | 16/10/2026 16:00 | 16/10/2026 20:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 3 | 20/10/2026 16:00 | 20/10/2026 20:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 4 | 21/10/2026 16:00 | 21/10/2026 20:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 5 | 23/10/2026 16:00 | 23/10/2026 20:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 6 | 27/10/2026 16:00 | 27/10/2026 20:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 7 | 29/10/2026 16:00 | 29/10/2026 19:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
| 8 | 03/11/2026 16:00 | 03/11/2026 19:00 | Aula 1.2 SFPIE | Servicio de Formación Permanente e Innovación Educativa (SFPIE) |
Vicente Alepuz Moner
Ingeniero en Telecomunicaciones (UPV).
Máster en Inteligencia Artificial.
Director de Ingeniería en IonClinics & Deionic (material electró medicina).
El curso tiene como objetivo capacitar profesores universitarios sin experiencia en Python en los fundamentos y las aplicaciones del Machine Learning (ML), proporcionándolos las habilidades necesarias para implementar algoritmos básicos de aprendizaje automático utilizando Python y librerías como scikit-learn, hecho que permitirá a los docentes aplicar modelos de ML en su investigación académica o áreas de interés profesional.
1. Fundamentos teóricos del Machine Learning.
2. Principios básicos de Python y su uso en Machine Learning.
3. preprocesamiento de datos.
4. Algoritmos básicos de Machine Learning supervisado.
5. Algoritmos básicos de Machine Learning no supervisado.
6. Evaluación y mejora de modelos de Machine Learning.
Fundamentos teóricos del Machine Learning.
Programación en Python aplicada al Machine Learning.
Preprocesamiento de datos y preparación para el Machine Learning.
Implementación de algoritmos supervisados de Machine Learning.
Uso de algoritmos no supervisados de Machine Learning.
Evaluación y ajuste de modelos de Machine Learning.
Asistencia, como mínimo, al 85% de las horas presenciales y realización de las tareas obligatorias fijadas en el programa o encomendadas por el tutor o tutora o por el profesor o profesora.












