Datos Identificativos 2016/17
Asignatura (*) Intelixencia computacional para bioinformática Código 614522012
Titulación
Mestrado Universitario en Bioinformática para Ciencias da Saúde
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 2º cuadrimestre
 Primeiro Obrigatoria 6
Idioma
Castelán
Modalidade docente Presencial
Prerrequisitos
Departamento Computación
Coordinación
Guijarro Berdiñas, Berta M.
 Correo electrónico
berta.guijarro@udc.es
Profesorado
Guijarro Berdiñas, Berta M.
Pérez Sánchez, Beatriz
Sanchez Maroño, Noelia
 Correo electrónico
berta.guijarro@udc.es
beatriz.perezs@udc.es
noelia.sanchez@udc.es
Web http://campusvirtual.udc.es
Descrición xeral El aprendizaje es una característica central de la inteligencia, y la posibilidad de construir sistemas computerizados capaces de adaptarse a su entorno aprendiendo de él es una cuestión que cada vez suscita más interés.
Este tipo de sistemas resultan especialmente útiles cuando se trata de modelar una tarea para la que no existe una experiencia humana de partida de la que extraer un algoritmo, cuando éste no es fácil de extraer o cuando es necesario analizar un conjunto de datos para poder extraer conocimiento de ellos. Las técnicas de Aprendizaje Máquina nos permiten programar estas tareas utilizando únicamente datos de ejemplo o experiencias pasadas. En este curso se estudian las diversas aproximaciones a los problemas de aprendizaje, sus ventajas y limitaciones, el tipo de problemas para los que son más adecuadas, así como las condiciones de desarrollo que deben tenerse en cuenta para que este tipo de sistemas y modelos sean lo más fiable posible.

Competencias do título
Código Competencias do título
A2 CE2 - Definir, avaliar e seleccionar a arquitectura e o software máis axeitado para resolver un problema no campo da Bioinformática
A3 CE3 - Analizar , deseñar , desenvolver, implementar , verificar e documentar solucións software eficientes sobre a base dun coñecemento adecuado das teorías, modelos e técnicas actuais no eido da Bioinformática
A4 CE4 - Capacidade para adquirir, obter, formalizar e representar o coñecemento humano nunha forma computable para a resolución de problemas mediante un sistema informático en calquera ámbito de aplicación, particularmente os relacionados con aspectos de computación, percepción e actuación en aplicacións Bioinformáticas
A6 CE6 – Capacidade para identificar as ferramentas software e fontes de datos de bioinformática máis relevantes, e adquirir destreza no seu uso
B1 CB6 – Posuír e comprender o coñecemento que fornecen unha base ou oportunidade de orixinalidade no desenvolvemento e / ou aplicación de ideas, a miúdo nun contexto de investigación.
B2 CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidas dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
B3 CB8 – Que os estudantes sexan capaces de integrar coñecementos e xestionar a complexidade de formular xuízos en base a información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas relacionadas coa aplicación dos seus coñecementos e xuízos
B6 CG1 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo
B7 CG2 - Manter e estender enfoques teóricos fundados para permitir a introdución i explotación de tecnoloxías novas e avanzadas
C1 CT1 - Expresarse correctamente, tanto de xeito oral como escrito, nas linguas oficiais da comunidade autónoma
C3 CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida
C6 CT6 - Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñibles para resolver os problemas cos que deben enfrontarse

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias do título
Conocer y comprender los paradigmas y aspectos más relevantes del tratamiento de datos en bioinformática AP4
 BP1
BP7
 CP6
Conocer los principales métodos de aprendizaje a partir de datos, saber qué tipos principales existen y saber cómo aplicarlos. AP2
AP3
AP4
AP6
 BP1
BP2
BP3
BP6
 CP1
CP3
CP6
Conocer los métodos de reducción de dimensionalidad AP3
AP4
 BP1
BP3
BP7
 CP6
Saber cómo debe evaluarse un modelo basado en datos AP2
AP3
AP6
 BP3
Conocer las plataformas y las herramientas disponibles en el campo de la Inteligencia Computacional. AP2
AP3
AP6
 BP2
 CP3
CP6

Contidos
Temas Subtemas
TEMA 1: Introducción al aprendizaje 1.1. Areas de aplicación y tipos de problemas
1.2. Características deseables de los sistemas de aprendizaje
1.3. Perspectiva general de las distintas aproximaciones y tipos de aprendizaje
TEMA 2: Teoría del aprendizaje computacional: estimación del error real, dimensión V-C
 2.1. El problema de la precisión.
2.2. La dimensión Vapnik-Chervonenkis
2.3. La maldición de la dimensionalidad
TEMA 3: Aprendizaje estadístico 3.1. El discriminante lineal de Fisher
3.2. Discriminante cuadrático
3.3. Discriminante logístico
3.4. Análisis cluster
TEMA 4: Aprendizaje basado en árboles de decisión 4.1. Objetivo de la IA simbólica
4.2. Generalidades de los algoritmos de aprendizaje en IA
simbólica
4.3. Listas de decisión
4.4. Inducción de reglas (AQ)
4.5. Árboles de decisión (Quinlan)
4.6. Medidas de rendimiento: entropía e información mutua
TEMA 5: Redes de neuronas artificiales 5.1. Redes de neuronas artificiales: conceptos básicos
5.2 El Perceptrón multicapa
5.3 Modelos avanzados
5.4 Modelos para aprendizaje en tiempo real
TEMA 6: Aprendizaje basado en kernels 6.1. Nomenclatura y definiciones previas
6.2. SVMs lineales: caso separable
6.3. SVMs lineales: caso no separable
6.4. SVMs no lineales
6.5. SVMs multiclase
TEMA 7: Métodos de aprendizaje no supervisados
TEMA 8: Aprendizaje semisupervisado. 8.1 Aprendizaje por refuerzo
TEMA 9: Métodos de reducción de la dimensión 9.1. Extracción de características
9.2. Selección de características
TEMA 10: Metodología experimental y análisis de resultados 10.1. Diseño experimental
10.2. Preprocesado de datos
10.2.1 Preparación de los datos
10.2.2 Reducción de la dimensionalidad
10.2.3 Normalización
10.3. Métodos para la estimación del error
10.4. Métodos de selección de modelos

Planificación
Metodoloxías / probas Competencias Horas presenciais Horas non presenciais / traballo autónomo Horas totais
Sesión maxistral A2 A3 A4 B1 B3 B7 C6 20 20 40
Prácticas de laboratorio A2 A3 A4 A6 B2 C3 35 17.5 52.5
Investigación (Proxecto de investigación) A2 A3 A4 A6 B1 B2 B3 B6 C6 C3 0 20 20
Presentación oral B3 C1 C6 3 4.5 7.5
Proba obxectiva A2 A3 A4 A6 B2 C6 C1 2 18 20
 
Atención personalizada 10 0 10
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral Exposición oral complementada con el uso de medios audiovisuales y la introducción de algunas preguntas dirigidas a los estudiantes, con el objetivo de transmitir conocimiento así como de estimular el razomaniento crítico del estudiante.
Prácticas de laboratorio Actividad que permite que los estudiantes aprendan efectivamente a través de la realización de actividades de carácter práctico, tales como demostraciones, ejercicios, experimentos, simulaciones e investigaciones.
Investigación (Proxecto de investigación) Proceso de enseñanza orientado al aprendizaje del alumnado mediante la realización de actividades de carácter práctico a través de las cuales se plantean situaciones que requieren al estudiante identificar un problema objeto de estudio, formularlo con precisión, desarrollar los procedimientos pertinentes, interpretar los resultados y sacar las conclusiones oportunas del trabajo realizado.
Presentación oral Permite al alumnado aprender de forma autónoma, a través de actividades de carácter práctico (demostraciones, simulaciones, etc.) la teoría de la asignatura, mediante la utilización de las tecnologías de la información y las comunicaciones. Las TIC suponen un excelente soporte y canal para el tratamiento de la información y aplicación práctica de conocimientos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado.
Proba obxectiva Prueba escrita utilizada para la evaluación del aprendizaje

Atención personalizada
Metodoloxías
Prácticas de laboratorio
Investigación (Proxecto de investigación)
Presentación oral
Descrición
Habrá un proyecto de investigación que el estudiante deberá desarrollar basado en un problema elegido por él mismo. Este proyecto se realizará en parte en las prácticas de laboratorio. Para el correcto desarrollo del proyecto será necesario tanto el seguimiento periódico con el fin de guiarlo y asegurar su calidad, así como permitir a los alumnos aclarar con el profesor dudas particulares del proyecto elegido. Para el seguimiento del proyecto se establecerá un calendario de tutorías presenciales que acabará en la presentación oral de los resultados.

Avaliación
Metodoloxías Competencias Descrición Cualificación
Investigación (Proxecto de investigación) A2 A3 A4 A6 B1 B2 B3 B6 C6 C3 Trabajo en grupo que abordará cada uno de los temas de la materia, por lo que se realizará en diversas fases a lo largo del curso. Se realizará un seguimiento continuado y objetivable de participación activa por parte del estudiante.

Su realización en la forma y condiciones que se detallarán durante el curso es imprescindible para aprobar la asignatura. No se podrá aprobar la asignatura si se obtiene una puntuación inferior a 4,5 en este apartado.
60
Presentación oral B3 C1 C6 Periódicamente se establecen sesiones de presentación y discusión de los detalles del proyecto de investigación, los resultados obtenidos y las conclusiones extraídas.
Es obligatoria para poder aprobar el proyecto de investigación e influye en la calificación final de éste, pero no se puntúa al margen de la nota otorgada al proyecto.
En caso de no asistir a las sesiones de presentación de los trabajos realizados en los proyectos, el estudiante deberá realizar una prueba objetiva, así como entregar un documento científico/técnico en el cual se recojan los detalles del proyecto de investigación, los resultados obtenidos y las conclusiones extraídas.

0
Proba obxectiva A2 A3 A4 A6 B2 C6 C1 Prueba escrita utilizada para la evaluación del aprendizaje de todos o algunos de los temas de la materia; siguiendo la normativa académica el profesor podrá eximir de la presentación al examen a aquellos estudiantes que superasen la materia mediante os otros sistemas de evaluación.
No se podrá aprobar la asignatura si se obtiene una puntuación inferior a 4,5 en este apartado. 		40
 
Observacións avaliación
OTRAS NORMAS DE EVALUACIÓN DE LA ASIGNATURA

- La asistencia a las clases de prácticas son obligatorias para aprobar la asignatura.

- En caso de matrícula a tiempo parcial se elimina la obligatoriedad de la asistencia a las clases de prácticas, pero no a las presentaciones orales de los trabajos entregados. 

- La nota del proyecto de investigación para las dos oportunidades del curso será la obtenida en la primera oportunidad de Junio. No habrá entrega de proyectos para la segunda oportunidad de Julio, excepto para los proyectos suspensos. 

- En caso de suspender la asignatura, los proyectos con nota superior a 4,5 se guardarán para cursos posteriores con la calificación de aprobado (5 ó la nota real si fuese menor que 5). En cada curso, el alumno tendrá la opción de entregar un nuevo proyecto que sustituiría la nota de la anterior.

- Un alumno se considerará presentado en una convocatoria si hace la entrega COMPLETA del proyecto o si se presenta al examen teórico. 

- Para aprobar la asignatura la nota final calculada según el esquema de evaluación propuesto deberá ser igual o superior a 5

Fontes de información
Bibliografía básica Alpaydin, E. (2004). Introduction to Machine Learning. The MIT Press
Nilsson, N. J. (1996). Introduction to Machine Learning. Draft of Incomplete Notes. http://robotics.stanford.edu/people/nilsson/mlbook.html
Mitchell, T. (1997). Machine Learning. WCB/McGraw-Hill
Michie, D., Spiegelhalter, D. J., Taylor, C. C., (editores) (1994). Machine Learning: Neural and statistical classification. Ellis Horwood
Bishop, C. (1996). Neural Networks for Pattern Recognition. Oxford University Press

Bibliografía complementaria


Recomendacións
Materias que se recomenda ter cursado previamente
Introdución á programación/614522001
Fundamentos de intelixencia artificial/614522003

Materias que se recomenda cursar simultaneamente
Métodos estatísticos avanzados en bioinformática/614522009
Probabilidade. estatística e elementos de biomatemática/614522007

Materias que continúan o temario
Intelixencia Artificial/614407118
Redes de Neuronas Artificiais/614407121
Intelixencia computacional para datos de alta dimensionalidad/614522024

Observacións


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías