Competencias del título |
Código
|
Competencias del título
|
A2 |
CE2 - Definir, evaluar y seleccionar la arquitectura y el software más adecuado para la resolución de un problema en el campo de la Bioinformática |
A3 |
CE3 - Analizar, diseñar, desarrollar, implementar, verificar y documentar soluciones software eficientes sobre la base de un conocimiento adecuado de las teorías, modelos y técnicas actuales en el campo de la Bioinformática |
A4 |
CE4 - Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en aplicaciones Bioinformáticas |
A6 |
CE6 - Capacidad para identificar las herramientas software y fuentes de datos de bioinformática más relevantes, y adquirir destreza en su uso |
B1 |
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
B2 |
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
B3 |
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
B6 |
CG1 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo |
B7 |
CG2 - Mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas |
C1 |
CT1 - Expresarse correctamente, tanto de forma oral como escrita, en las lenguas oficiales de la comunidad autónoma |
C3 |
CT3 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida |
C6 |
CT6 - Valorar críticamente el conocimiento, la tecnología y la información disponible para resolver los problemas con los que deben enfrentarse |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias del 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
|
Contenidos |
Tema |
Subtema |
TEMA 1: Introducción al aprendizaje |
1.1. Areas de aplicación y tipos de problemas
1.2. Características 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. Otros tipos de discriminantes
3.3. 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. Conceptos básicos
5.2. El Perceptrón multicapa
5.3. Otros modelos
|
TEMA 6: Aprendizaje basado en kernels |
6.1. Nomenclatura y definiciones previas
6.2. SVMs lineales
6.3. SVMs no lineales |
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
10.3. Métodos para la estimación del error
10.4. Métodos de selección de modelos |
Planificación |
Metodologías / pruebas |
Competéncias |
Horas presenciales |
Horas no presenciales / trabajo autónomo |
Horas totales |
Sesión magistral |
A2 A3 A4 B1 B3 B7 C6 |
14 |
21 |
35 |
Prácticas de laboratorio |
A2 A3 A4 A6 B2 C3 |
25 |
25 |
50 |
Investigación (Proyecto de investigación) |
A2 A3 A4 A6 B1 B2 B3 B6 C3 C6 |
0 |
29 |
29 |
Presentación oral |
B3 C1 C6 |
3 |
3 |
6 |
Prueba objetiva |
A2 A3 A4 A6 B2 C1 C6 |
2 |
18 |
20 |
|
Atención personalizada |
|
10 |
0 |
10 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Exposición oral de los contenidos que conforman el marco teórico de la materia, 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 razonamiento crítico del estudiante. |
Prácticas de laboratorio |
Actividad que permitirá a los estudiantes familiarizarse con las herramientas, plataformas y conjuntos de datos más comunes en el ámbito del aprendizaje computacional. El objetivo es que apliquen y asimilen efectivamente los contenidos teóricos a través de la realización de actividades de carácter práctico, tales como demostraciones, ejercicios, experimentos, simulaciones e investigaciones. |
Investigación (Proyecto de investigación) |
Se realizarán tres trabajos relacionados con los bloques principales de la materia: técnicas de aprendizaje básicas, técnicas avanzadas y técnicas de selección y extracción de características. Consistirán en actividades de carácter práctico a través de las cuales se plantean situaciones que requieren al estudiante identificar el problema objeto de estudio, formularlo con precisión, desarrollar los procedimientos pertinentes, aplicar las técnicas vistas en clase, interpretar los resultados y sacar las conclusiones oportunas del trabajo realizado. Incluye sesiones periódicas con el profesor para el seguimento. |
Presentación oral |
Al finalizar cada proyecto de investigación los estudiantes deben preparar una sencilla presentación con los principales resultados, conclusiones y aportaciones y exponer el trabajo realizado en el aula. |
Prueba objetiva |
Prueba escrita utilizada como actividad final de la materia para la evaluación del aprendizaje. |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Investigación (Proyecto de investigación) |
|
Descripción |
El proyecto de investigación se realizará, en parte, durante las prácticas de laboratorio y, en gran parte, como trabajo autónomo. Para su correcto desarrollo será necesario tanto el seguimiento periódico, con el fin de guiarlo y asegurar su calidad, como permitir a los alumnos aclarar con el profesor dudas particulares del proyecto. Para ello se establecerá un calendario de tutorías presenciales que acabará en la presentación oral de los resultados. También se podrán atender dudas, puntualmente, a través del correo electrónico. |
|
Evaluación |
Metodologías
|
Competéncias |
Descripción
|
Calificación
|
Investigación (Proyecto de investigación) |
A2 A3 A4 A6 B1 B2 B3 B6 C3 C6 |
Trabajo en grupo que abordará cada uno de los temas de la materia. Se realizará en diversas fases a lo largo del curso y supone una evaluación completa y contínua sobre todos los aspectos teóricos y prácticos de la asignatura. Incluye también un seguimiento de participación activa por parte del estudiante.
Las condiciones y contenido concreto se detallarán durante el curso.
No se podrá aprobar la asignatura si se obtiene una puntuación inferior a 4 en este apartado. |
98 |
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.
|
1 |
Prueba objetiva |
A2 A3 A4 A6 B2 C1 C6 |
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 otros sistemas de evaluación.
Esta prueba será OBLIGATORIA para los estudiantes que obtengan una puntuación en el intervalo [4,5) en el proyecto de investigación. En este caso, la nota final será la media entre la calificación de esta prueba y la del proyecto. |
1 |
|
Observaciones evaluación |
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. - Un alumno se considerará presentado en una convocatoria si hace la entrega COMPLETA del proyecto.
|
Fuentes de información |
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 |
|
Complementária
|
|
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Introducción a la programación/614522001 | Fundamentos de inteligencia artificial/614522003 |
|
Asignaturas que se recomienda cursar simultáneamente |
Métodos estadísticos avanzados en bioinformática/614522009 | Probabilidad. estadística y elementos de biomatemática/614522007 |
|
Asignaturas que continúan el temario |
Inteligencia computacional para datos de alta dimensionalidad/614522024 |
|
|