As últimas valoracións contextuais das cualificacións finais, antes da súa formalización na aplicación informática, están baixo a consideración do profesor responsable da materia.

A cualificación final da materia exprésase de acordo co establecido no artigo 5 do RD 1125/2003, do 5 de setembro, para que o sistema de crédito europeo e o sistema de cualificación estean establecidos en títulos universitarios de carácter oficial e validez en todo o territorio nacional (publicado no Boletín Oficial do 18 de setembro de 2003). Sistema de clasificación: suspendido (0-4,9), aprobado (5-6,9), notable (7-8,9), destacado (9-10), matrícula de honra (graciable).

En caso de ser necesario, debido á pouca participación do alumnado ou á baixa calidade dos traballos, levarase a cabo a proba escrita para a obtención da avaliación final do alumnado. Para superar a materia é necesario obter ao menos o 50% da valoración de cada metodoloxía proposta.

A non asistencia a clase obriga á realización da proba escrita. A asistencia continua e entrega dos traballos propostos nos prazos , así como a superación dos mesmos, exime desta proba.

Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC

Resultados de aprendizaxe	Competencias / Resultados do título
Aprende a adquirir, xestionar e analizar bases de datos en estudos de ciencias da saúde con diferentes ferramentas	AI1 AI2 AI5	BI1 BI2 BI3 BI4 BI5 BI8 BI9 BI11	CI3 CI5 CI7 CI8
Coñecer as características básicas do big data e a intelixencia artificial asi como a súa aplicación á investigación no campo da saúde	AI1 AI2 AI5	BI1 BI2 BI3 BI4 BI5 BI8 BI9 BI11	CI3 CI5 CI7 CI8
Adquirir habilidades básicas para a aplicación de técnicas de intelixencia artificial con datos de saúde no desenvolvemento dun proxecto de investigación	AI1 AI2 AI5	BI1 BI2 BI3 BI4 BI5 BI8 BI9 BI11	CI3 CI5 CI7 CI8

Temas	Subtemas
CONTIDOS TEÓRICOS	1. Ferramentas para unha xestión masiva de datos: - Captura e almacenamento de datos de saúde. Plataformas de captura de datos como RedCAP - Repositorios de datos OpenData. 2. Introdución ao big data e a intelixencia artificial. - Capacidades e limitacións. - Modelos de intelixencia artificial.
CONTIDOS PRÁCTICOS	1. Xeración e publicación de datos. Formatos de datos. Opendata. Publicación dun dataset 2. Manexo de ferramentas visuais de analítica de datos com modelos de IA. Da teoria á práctica com Teachable Machine, Google colab ou Jupyter 3. Aplicacións sanitarias: atención personalizada, preditiva, preventiva e participativa.

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Debate virtual	A1 A2 A5 B1 B2 B3 B4 B5 B8 B9 B11 C3 C5 C7 C8	0	10	10
Prácticas a través de TIC	A1 A2 A5 B1 B2 B3 B4 B5 B8 B9 B11 C3 C5 C7 C8	12	13	25
Traballos tutelados	A1 A2 A5 B1 B2 B3 B4 B5 B8 B9 B11 C3 C5 C7 C8	3	10	13
Aprendizaxe colaborativa	A1 A2 A5 B1 B2 B3 B4 B5 B8 B9 B11 C3 C5 C7 C8	6	18	24

Atención personalizada		3	0	3

*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías	Descrición
Debate virtual	Intercambio de dúbidas e ideas a través do campus virtual
Prácticas a través de TIC	Desenvolvemento dos contidos prácticos da materia con ferramentas de software e conxuntos de datos de mostra. Das 12 horas lectivas, 7 son presenciais e 5 horas serán virtuais
Traballos tutelados	Traballos supervisados por profesores ou expertos na materia que poden colaborar na materia. Das 3 horas lectivas, 2 son presenciais e 1 hora será virtual
Aprendizaxe colaborativa	Desenvolvemento de contido en grupos. Das 6 horas lectivas, 3 son presenciais e 3 horas serán virtuais

Metodoloxías	Competencias / Resultados	Descrición	Cualificación
Aprendizaxe colaborativa	A1 A2 A5 B1 B2 B3 B4 B5 B8 B9 B11 C3 C5 C7 C8	Desenvolvemento e presentación de traballos en grupo	50
Prácticas a través de TIC	A1 A2 A5 B1 B2 B3 B4 B5 B8 B9 B11 C3 C5 C7 C8	Avaliación dos resultados das ferramentas dixitais empregadas no curso	50

Observacións avaliación
As últimas valoracións contextuais das cualificacións finais, antes da súa formalización na aplicación informática, están baixo a consideración do profesor responsable da materia. A cualificación final da materia exprésase de acordo co establecido no artigo 5 do RD 1125/2003, do 5 de setembro, para que o sistema de crédito europeo e o sistema de cualificación estean establecidos en títulos universitarios de carácter oficial e validez en todo o territorio nacional (publicado no Boletín Oficial do 18 de setembro de 2003). Sistema de clasificación: suspendido (0-4,9), aprobado (5-6,9), notable (7-8,9), destacado (9-10), matrícula de honra (graciable). En caso de ser necesario, debido á pouca participación do alumnado ou á baixa calidade dos traballos, levarase a cabo a proba escrita para a obtención da avaliación final do alumnado. Para superar a materia é necesario obter ao menos o 50% da valoración de cada metodoloxía proposta. A non asistencia a clase obriga á realización da proba escrita. A asistencia continua e entrega dos traballos propostos nos prazos , así como a superación dos mesmos, exime desta proba. Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC

Bibliografía básica	Google Colab (2024). https://colab.research.google.com/. Web Teachablemachine (2024). https://teachablemachine.withgoogle.com/. Web Zeonodo (2024). https://zenodo.org/communities/eu/. Web Aurellen Vannieuwenhuyze (2020). Inteligencia artificial fácil. Machine Learning y Deep Learning prácticos. Ediciones ENI

Bibliografía complementaria