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 |
|
|