Identifying Data 2016/17
Subject (*) Intelixencia computacional para bioinformática Code 614522012
Study programme
Mestrado Universitario en Bioinformática para Ciencias da Saúde
Descriptors Cycle Period Year Type Credits
Official Master's Degree 2nd four-month period
 First Obligatoria 6
Language
Spanish
Teaching method Face-to-face
Prerequisites
Department Computación
Coordinador
Guijarro Berdiñas, Berta M.
 E-mail
berta.guijarro@udc.es
Lecturers
Guijarro Berdiñas, Berta M.
Pérez Sánchez, Beatriz
Sanchez Maroño, Noelia
 E-mail
berta.guijarro@udc.es
beatriz.perezs@udc.es
noelia.sanchez@udc.es
Web http://campusvirtual.udc.es
General description 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.

Study programme competencies
Code Study programme competences
A2 CE2 – To define, evaluate and select the architecture and the most suitable software for solving a problem in the field of bioinformatics
A3 CE3 – To analyze, design, develop, implement, verify and document efficient software solutions based on an adequate knowledge of the theories, models and techniques in the field of Bioinformatics
A4 CE4 - Ability to acquire, obtain, formalize and represent human knowledge in a computable form for the resolution of problems through a computer system in any field of application, particularly those related to aspects of computing, perception and action in bioinformatics applications
A6 CE6 - Ability to identify software tools and most relevant bioinformatics data sources, and acquire skill in their use
B1 CB6 - Own and understand knowledge that can provide a base or opportunity to be original in the development and/or application of ideas, often in a context of research
B2 CB7 - Students should know how to apply the acquired knowledge and ability to problem solving in new environments or little known within broad (or multidisciplinary) contexts related to their field of study
B3 CB8 - Students to be able to integrate knowledge and deal with the complexity of making judgements from information that could be incomplete or limited, including reflections on the social and ethical responsibilities linked to the application of their skills and judgments
B6 CG1 -Search for and select the useful information needed to solve complex problems, driving fluently bibliographical sources for the field
B7 CG2 - Maintain and extend well-founded theoretical approaches to enable the introduction and exploitation of new and advanced technologies
C1 CT1 - Express oneself correctly, both orally writing, in the official languages of the autonomous community
C3 CT3 - Use the basic tools of the information technology and communications (ICT) necessary for the exercise of their profession and lifelong learning
C6 CT6 - To assess critically the knowledge, technology and information available to solve the problems they face to.

Learning aims
Learning outcomes Study programme competences
Conocer y comprender los paradigmas y aspectos más relevantes del tratamiento de datos en bioinformática AJ4
 BJ1
BJ7
 CJ6
Conocer los principales métodos de aprendizaje a partir de datos, saber qué tipos principales existen y saber cómo aplicarlos. AJ2
AJ3
AJ4
AJ6
 BJ1
BJ2
BJ3
BJ6
 CJ1
CJ3
CJ6
Conocer los métodos de reducción de dimensionalidad AJ3
AJ4
 BJ1
BJ3
BJ7
 CJ6
Saber cómo debe evaluarse un modelo basado en datos AJ2
AJ3
AJ6
 BJ3
Conocer las plataformas y las herramientas disponibles en el campo de la Inteligencia Computacional. AJ2
AJ3
AJ6
 BJ2
 CJ3
CJ6

Contents
Topic Sub-topic
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

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech A2 A3 A4 B1 B3 B7 C6 20 20 40
Laboratory practice A2 A3 A4 A6 B2 C3 35 17.5 52.5
Research (Research project) A2 A3 A4 A6 B1 B2 B3 B6 C6 C3 0 20 20
Oral presentation B3 C1 C6 3 4.5 7.5
Objective test A2 A3 A4 A6 B2 C6 C1 2 18 20
 
Personalized attention 10 0 10
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
Guest lecture / keynote speech 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.
Laboratory practice 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.
Research (Research project) 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.
Oral presentation 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.
Objective test Prueba escrita utilizada para la evaluación del aprendizaje

Personalized attention
Methodologies
Laboratory practice
Research (Research project)
Oral presentation
Description
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.

Assessment
Methodologies Competencies Description Qualification
Research (Research project) 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
Oral presentation 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
Objective test 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
 
Assessment comments
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

Sources of information
Basic 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

Complementary


Recommendations
Subjects that it is recommended to have taken before
Introdución á programación/614522001
Fundamentos de intelixencia artificial/614522003

Subjects that are recommended to be taken simultaneously
Métodos estatísticos avanzados en bioinformática/614522009
Probabilidade. estatística e elementos de biomatemática/614522007

Subjects that continue the syllabus
Intelixencia Artificial/614407118
Redes de Neuronas Artificiais/614407121
Intelixencia computacional para datos de alta dimensionalidad/614522024

Other comments


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.