Datos Identificativos 2018/19
Asignatura (*) Inteligencia computacional para bioinformática Código 614522012
Titulación
Mestrado Universitario en Bioinformática para Ciencias da Saúde
Descriptores Ciclo Periodo Curso Tipo Créditos
Máster Oficial 2º cuatrimestre
 Primero Obligatoria 6
Idioma
Castellano
Modalidad docente Presencial
Prerrequisitos
Departamento Computación
Coordinador/a
Guijarro Berdiñas, Berta M.
 Correo electrónico
berta.guijarro@udc.es
Profesorado
Guijarro Berdiñas, Berta M.
Pérez Sánchez, Beatriz
Sanchez Maroño, Noelia
 Correo electrónico
berta.guijarro@udc.es
beatriz.perezs@udc.es
noelia.sanchez@udc.es
Web http://moodle.udc.es
Descripción general A aprendizaxe é unha característica central da intelixencia, e a posibilidade de construír sistemas computerizados capaces de adaptarse á súa contorna aprendendo del é unha cuestión que cada vez suscita máis interese.
Este tipo de sistemas resultan especialmente útiles cando se trata de modelar unha tarefa para a que non existe unha experiencia humana de partida da que extraer un algoritmo, cando este non é fácil de extraer ou cando é necesario analizar un conxunto de datos para poder extraer coñecemento deles. As técnicas de Aprendizaxe Automático permítennos programar estas tarefas utilizando unicamente datos de exemplo ou experiencias pasadas. Neste curso estúdanse as diversas aproximacións aos problemas de aprendizaxe, as súas vantaxes e limitacións, o tipo de problemas para os que son máis adecuadas, así como as condicións de desenvolvemento que deben terse en conta para que este tipo de sistemas e modelos sexan o máis fiable posible.


Competencias
COMPETENCIAS DEL TíTULO
TipoA Código  
  Profesionalizador
  AP2 CE2 - Definir, evaluar y seleccionar la arquitectura y el software más adecuado para la resolución de un problema en el campo de la Bioinformática
  AP3 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
  AP4 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
  AP6 CE6 - Capacidad para identificar las herramientas software y fuentes de datos de bioinformática más relevantes, y adquirir destreza en su uso
TipoB Código  
  Profesionalizador
  BP1 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
  BP2 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
  BP3 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
  BP6 CG1 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo
  BP7 CG2 - Mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas
TipoC Código  
  Profesionalizador
  CP1 CT1 - Expresarse correctamente, tanto de forma oral como escrita, en las lenguas oficiales de la comunidad autónoma
  CP3 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
  CP6 CT6 - Valorar críticamente el conocimiento, la tecnología y la información disponible para resolver los problemas con los que deben enfrentarse

Objetivos de aprendizaje

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 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
TEMA 4: Aprendizaje basado en árboles y reglas 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
4.5. Árboles de decisión
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
6.4 SVM Multiclase
TEMA 7: Métodos de aprendizaje no supervisados 7.1. Análisis cluster
7.2. Análisis cluster jerárquico
7.3. Análisis cluster iterativo
7.4. Mapas autoorganizativos
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 en bioinformática. El objetivo es que apliquen y asimilen efectivamente los contenidos teóricos a través de la realización de actividades de carácter práctico, tales como ejercicios, experimentos, simulaciones e investigaciones.
Investigación (Proyecto de investigación) Se realizarán varios 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 Proba obxectiva 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 de realización OBLIGATORIA 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. 		99
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.
 0
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.

Esta prueba será OPTATIVA para los estudiantes que obtengan una nota del Proyecto de Investigación mayor o igual a 5. Siguiendo la normativa académica el profesor podrá eximir de la presentación al examen a estos estudiantes y su nota final será la del proyecto.

Esta prueba será OBLIGATORIA para los estudiantes que obtengan una puntuación en el intervalo [4,5) en el proyecto de investigación.

En ambos casos, la nota final será la media entre la calificación de esta prueba y la del proyecto.

Los alumnos con nota en el Proyecto superior a 9 que deseen optar a Matrícula de Honor deberán también realizar el examen. En este caso, la nota del examen se añadirá a la nota del Proyecto. La calificación final será el resultado de normalizar sobre 10
1
 
Observaciones evaluación

OTRAS NORMAS DE EVALUACIÓN DE LA ASIGNATURA

- La entrega de
las prácticas y su presentación en las fechas y horarios indicados, así como la
asistencia a las clases de prácticas son obligatorias para aprobar la
asignatura.

- 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.

- De acuerdo al artículo 14, apartado 4, de la normativa*, el plagio de los trabajos prácticos llevará una nota global de SUSPENSO en el Proyecto, tanto al estudiante que presente material copiado cómo a quien lo facilitara, y por lo tanto la calificación de SUSPENSO en la convocatoria anual.

Matrícula a tempo parcial

- En caso de matrícula a tiempo parcial se elimina la
obligatoriedad de la asistencia a las clases de prácticas, pero no la entrega
de trabajos ni la asistencia a las presentaciones orales de los mismos nas
condicións e prazos específicos que se establecerán. Será obriga do estudante
comunicar a súa situación ao profesorado.

* Normativa de avaliación, revisión e reclamación
das cualificacións dos estudos de grao e máster universitario, aprobada polo
Consello de Goberno da Universidade da Coruña o 19 de decembro de 2013.

Fuentes de información
Básica Alpaydin, E. (2004). Introduction to Machine Learning. The MIT Press
Bishop, C. (1996). Neural Networks for Pattern Recognition. Oxford University Press
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
Mitchell, T. (1997). Machine Learning. WCB/McGraw-Hill
Nilsson, N. J. (1996). Introduction to Machine Learning. Draft of Incomplete Notes. http://robotics.stanford.edu/people/nilsson/mlbook.html
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

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

Otros comentarios


(*) La Guía Docente es el documento donde se visualiza la propuesta académica de la UDC. Este documento es público y no se puede modificar, salvo cosas excepcionales bajo la revisión del órgano competente de acuerdo a la normativa vigente que establece el proceso de elaboración de guías