Competencies |
STUDY PROGRAMME COMPETENCES |
TypeA
|
Code |
|
|
Job guided |
|
AJ2 |
CE2 – To define, evaluate and select the architecture and the most suitable software for solving a problem in the field of bioinformatics |
|
AJ3 |
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 |
|
AJ4 |
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 |
|
AJ6 |
CE6 - Ability to identify software tools and most relevant bioinformatics data sources, and acquire skill in their use |
TypeB
|
Code |
|
|
Job guided |
|
BJ1 |
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 |
|
BJ2 |
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 |
|
BJ3 |
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 |
|
BJ6 |
CG1 -Search for and select the useful information needed to solve complex problems, driving fluently bibliographical sources for the field |
|
BJ7 |
CG2 - Maintain and extend well-founded theoretical approaches to enable the introduction and exploitation of new and advanced technologies |
TypeC
|
Code |
|
|
Job guided |
|
CJ1 |
CT1 - Express oneself correctly, both orally writing, in the official languages of the autonomous community |
|
CJ3 |
CT3 - Use the basic tools of the information technology and communications (ICT) necessary for the exercise of their profession and lifelong learning |
|
CJ6 |
CT6 - To assess critically the knowledge, technology and information available to solve the problems they face to. |
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 e tipos de aprendizaxe |
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: Redes de neuronas artificiais |
5.1. Conceptos básicos
5.2. O Perceptrón multicapa
5.3. Outros modelos
|
TEMA 6: Aprendizaxe baseada en kernels |
6.1. Nomenclatura e definicións previas
6.2. SVMs lineais
6.3. SVMs non lineais
6.4. SVM Multiclase |
TEMA 7: Métodos de aprendizaxe non supervisados |
7.1. Análisis cluster
7.2. Análisis cluster xerárquico
7.3. Análisis cluster iterativo
7.4. Mapas autoorganizativos |
TEMA 8: Aprendizaxe semisupervisada. |
8.1 Aprendizaxe por reforzo |
TEMA 9: Métodos de reducción da dimensión |
9.1. Extracción de características
9.2. Selección de características |
TEMA 10: Metodoloxía experimental e análise de resultados |
10.1. Diseño experimental
10.2. Preprocesado de datos
10.3. Métodos para a estimación do error
10.4. Métodos de selección de modelos |
Planning |
Methodologies / tests |
Competencies
|
Ordinary class hours |
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 dos contidos que conforman o marco teórico da materia, complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos estudantes, co obxectivo de transmitir coñecemento así como de estimular o razoamento crítico do estudante. |
Laboratory practice |
Actividade que permitirá aos estudantes 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. |
Research (Research project) |
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 estudante 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 profesor para o seguimento. |
Oral presentation |
Ao finalizar cada proxecto de investigación os estudantes deben preparar unha sinxela presentación cos principais resultados, conclusións e achegas e expor o traballo realizado na aula. |
Objective test |
Proba escrita utilizada como actividade final da materia para a avaliación da aprendizaxe. |
Personalized attention |
Methodologies
|
Laboratory practice |
Research (Research project) |
|
Description |
O proxecto de investigación realizarase, en parte, durante as prácticas de laboratorio e, en gran parte, como traballo autónomo. Para o seu correcto desenvolvemento será necesario tanto o seguimento periódico, co fin de guialo e asegurar a súa calidade, como permitir aos alumnos aclarar co profesor dubidas particulares do proxecto. Para iso establecerase un calendario de tutorías presenciais que acabará na presentación oral dos resultados. Tamén se poderán atender dúbidas, puntualmente, a través do correo electrónico. |
|
Assessment |
Methodologies
|
Competencies |
Description
|
Qualification
|
Research (Research project) |
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 contínua sobre todos os aspectos teóricos e prácticos da materia. Inclúe tamén un seguimento de participación activa por parte do estudante.
As condicións e contido concreto detallaranse durante o curso.
Non se poderá aprobar a materia se se obtén unha puntuación inferior a 4 neste apartado. |
99 |
Oral presentation |
B3 C1 C6 |
Periodicamente establécense sesións de presentación e discusión dos detalles do proxecto de investigación, os resultados obtidos e as conclusións extraídas.
É OBRIGATORIA para poder aprobar o proxecto de investigación e inflúe na cualificación final deste, pero non se puntúa á marxe da nota outorgada ao proxecto.
|
0 |
Objective test |
A2 A3 A4 A6 B2 C1 C6 |
Proba escrita utilizada para a avaliación da aprendizaxe de todos ou algúns dos temas da materia.
Esta proba será OPTATIVA para os estudantes que obteñan unha nota do Proxecto de Investigación maior ou igual a 5. Seguindo a normativa académica o profesor poderá eximir da presentación ao exame a estes estudantes e a súa nota final será a do proxecto.
Esta proba será OBRIGATORIA para os estudantes que obteñan unha puntuación no intervalo [4,5) no proxecto de investigación.
En ambos os casos, a nota final será a media entre a cualificación desta proba e a do proxecto.
Os alumnos con nota no Proxecto superior a 9 que desexen optar a Matrícula de Honra deberán tamén realizar o exame. Neste caso, a nota do exame engadirase á nota do Proxecto. A cualificación final será o resultado de normalizar sobre 10 |
1 |
|
Assessment comments |
OUTRAS NORMAS DE EVALUACIÓN DA ASIGNATURA
- A entrega das prácticas e a súa presentación nas datas e horarios indicados, así como a
asistencia ás clases de prácticas son obrigatorias para aprobar a
asignatura. - A nota do proxecto de investigación para as dúas oportunidades do curso será a obtida na primeira oportunidade de Xuño. Non haberá entrega de proxectos para a segunda oportunidade de Xullo, excepto para os proxectos suspensos. - Un alumno considerarase presentado nunha convocatoria se fai a entrega COMPLETA do proxecto. - De acordo ao artigo 14, apartado 4, da normativa*, o plaxio dos
traballos prácticos levará unha nota global de SUSPENSO no Proxecto, tanto ao
estudante que presente material copiado como a quen o facilitase, e polo
tanto a cualificación de SUSPENSO na convocatoria anual. Matrícula a tempo parcial - En caso de matrícula a tempo parcial elimínase a obrigatoriedade da asistencia ás clases de prácticas, pero non a entrega de traballos nin a asistencia ás presentacións orais dos mesmos 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.
|
Sources of information |
Basic
|
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
|
|
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 |
|
|