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 |
Coñecer e comprender os paradigmas e aspectos máis relevantes do tratamento de datos en bioinformática |
AJ4
|
BJ1 BJ7
|
CJ6
|
Coñecer os principais métodos de aprendizaxe a partir de datos, saber qué tipos principais existen e saber cómo aplicalos. |
AJ2 AJ3 AJ4 AJ6
|
BJ1 BJ2 BJ3 BJ6
|
CJ1 CJ3 CJ6
|
Coñecer os métodos de redución da dimensionalidade |
AJ3 AJ4
|
BJ1 BJ3 BJ7
|
CJ6
|
Saber como debe avaliarse un modelo baseado en datos |
AJ2 AJ3 AJ6
|
BJ3
|
|
Coñecer as plataformas e as ferramentas dispoñibles no campo da Intelixencia Computacional. |
AJ2 AJ3 AJ6
|
BJ2
|
CJ3 CJ6
|
Contents |
Topic |
Sub-topic |
TEMA 1: Introducción á aprendizaxe |
1.1. Areas de aplicación e tipos de problemas
1.2. Características dos sistemas de aprendizaxe
1.3. Perspectiva xeral das distintas aproximacións
1.4. Tipos de aprendizaxe: supervisada, semisupervisada (aprendizaxe por reforzo), non supervisada |
TEMA 2: Teoría da aprendizaxe computacional |
2.1. O problema da precisión
2.2. A dimensión Vapnik-Chervonenkis
2.3. A maldición da dimensionalidade |
TEMA 3: Aprendizaxe estatística |
3.1. O discriminante lineal de Fisher
3.2. Outros tipos de discriminantes
|
TEMA 4: Aprendizaxe baseada en árboles e reglas de decisión |
4.1. Obxetivo da IA simbólica
4.2. Xeneralidades dos algoritmos de aprendizaxe en IA simbólica
4.3. Listas de decisión
4.4. Inducción de reglas
4.5. Árboles de decisión
4.6. Medidas de rendimiento: entropía e información mutua |
TEMA 5: Aprendizaxe baseada en kernels |
5.1. Nomenclatura e definicións previas
5.2. SVMs lineais
5.3. SVMs non lineais
5.4. SVM Multiclase |
TEMA 6: Redes de neuronas artificiais |
6.1. Conceptos básicos
6.2. O Perceptrón multicapa
6.3. Outros modelos
|
TEMA 7: Métodos de reducción da dimensión |
7.1. Extracción de características
7.2. Selección de características |
TEMA 8: Metodoloxía experimental e análise de resultados |
8.1. Diseño experimental
8.2. Preprocesado de datos
8.3. Métodos para a estimación do error
8.4. Métodos de selección de modelos
8.5. Análisis de sesgos |
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 |
Supervised projects |
A2 A3 A4 A6 B1 B2 B3 B6 C3 C6 |
0 |
39 |
39 |
Laboratory practice |
A2 A3 A4 A6 B2 C3 |
29 |
27 |
56 |
Oral presentation |
B3 C1 C6 |
3 |
11 |
14 |
|
Personalized attention |
|
6 |
0 |
6 |
|
(*)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 dos contidos que conforman o marco teórico da materia, complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas ao alumnado, co obxectivo de transmitir coñecemento así como de estimular o razoamento crítico. |
Supervised projects |
Realizaranse varios traballos relacionados cos bloques principais da materia: técnicas de aprendizaxe básicas, técnicas avanzadas e técnicas de selección e extracción de características. Consistirán en actividades de carácter práctico a través das cales se expoñen situacións que requiren ao alumnado identificar o problema obxecto de estudo, formulalo con precisión, desenvolver os procedementos pertinentes, aplicar as técnicas vistas en clase, interpretar os resultados e sacar as conclusións oportunas do traballo realizado. Inclúe sesións periódicas co profesorado para o seguimento. |
Laboratory practice |
Actividade que permitirá ao alumnado familiarizarse coas ferramentas, plataformas e conxuntos de datos máis comúns no ámbito da aprendizaxe computacional na bioinformática. O obxectivo é que apliquen e asimilen efectivamente os contidos teóricos a través da realización de actividades de carácter práctico, tales como exercicios, experimentos, simulacións e investigacións. |
Oral presentation |
Ao finalizar as prácticas e traballos tutelados, pode ser necesario que o alumnado prepare unha sinxela presentación cos principais resultados, conclusións e achegas e expor o traballo realizado na aula. |
Personalized attention |
Methodologies
|
Laboratory practice |
Supervised projects |
|
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Laboratory practice |
A2 A3 A4 A6 B2 C3 |
Prácticas en grupo de realización OBRIGATORIA que abordarán cada un dos temas da materia.
Son OBRIGATORIAS para poder aprobar e inflúen na cualificación final do traballo tutelado, pero non se puntúan á marxe deste. |
0 |
Supervised projects |
A2 A3 A4 A6 B1 B2 B3 B6 C3 C6 |
Traballo en grupo de realización OBRIGATORIA que abordará cada un dos temas da materia. Realizarase en diversas fases ao longo do curso e supón unha avaliación completa e continua sobre todos os aspectos teóricos e prácticos da materia. Inclúe tamén un seguimento de participación activa por parte do alumnado.
Algún dos traballos podería plantexarse como de realización voluntaria e individual.
As condicións e contido concreto detallaranse durante o curso.
Dada a relación direita co contido das prácticas a nota deste apartado inclúe a avaliación das mesmas.
Non se poderá aprobar a materia se se obtén unha puntuación inferior a 5 neste apartado. |
100 |
Oral presentation |
B3 C1 C6 |
Poderanse establecer sesións de presentación e discusión dos detalles dos traballos tutelados (e as prácticas), os resultados obtidos e as conclusións extraídas. Nese caso, É OBRIGATORIA a realización da presentación para poder aprobar e inflúe na cualificación final do traballo tutelado, pero non se puntúa á marxe deste.
|
0 |
|
Assessment comments |
|
Sources of information |
Basic
|
2nd Edition byBerthold R. (Editor), Hand D.J. (Editor) (1999). Intelligent Data Analysis . Springer. https://www.researchgate.net/publication/235945820_Intelligent_Data_Analysis_An_Introducti
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. https://www.researchgate.net/publication/2335004_Machine_Learning_Neural_and_Statisti
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 |
|
|