Study programme competencies |
Code
|
Study programme competences / results
|
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 / results |
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 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 |
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
A2 A3 A4 B1 B3 B7 C6 |
14 |
21 |
35 |
Laboratory practice |
A2 A3 A4 A6 B2 C3 |
25 |
25 |
50 |
Research (Research project) |
A2 A3 A4 A6 B1 B2 B3 B6 C3 C6 |
0 |
29 |
29 |
Oral presentation |
B3 C1 C6 |
3 |
3 |
6 |
Objective test |
A2 A3 A4 A6 B2 C1 C6 |
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 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. |
Laboratory practice |
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. |
Research (Research project) |
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. |
Oral presentation |
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. |
Objective test |
Prueba escrita utilizada como actividad final de la materia para la evaluación del aprendizaje. |
Personalized attention |
Methodologies
|
Laboratory practice |
Research (Research project) |
|
Description |
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. |
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Research (Research project) |
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 |
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.
|
1 |
Objective test |
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 |
|
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. - Un alumno se considerará presentado en una convocatoria si hace la entrega COMPLETA del proyecto.
|
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 |
Introduction to programming/614522001 | Foundations of Artificial Intelligence/614522003 |
|
Subjects that are recommended to be taken simultaneously |
Advanced statistical methods in bioinformatics/614522009 | Probability. statistics and elements of biomathematics/614522007 |
|
Subjects that continue the syllabus |
Computational intelligence for high dimensional data/614522024 |
|
|