Datos Identificativos 2019/20
Asignatura (*) Intelixencia computacional para bioinformática Código 614522012
Titulación
Mestrado Universitario en Bioinformática para Ciencias da Saúde
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 2º cuadrimestre
Primeiro Obrigatoria 6
Idioma
Castelán
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Computación
Coordinación
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
Descrición xeral 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 do título
Código Competencias do título
A2 CE2 - Definir, avaliar e seleccionar a arquitectura e o software máis axeitado para resolver un problema no campo da Bioinformática
A3 CE3 - Analizar , deseñar , desenvolver, implementar , verificar e documentar solucións software eficientes sobre a base dun coñecemento adecuado das teorías, modelos e técnicas actuais no eido da Bioinformática
A4 CE4 - Capacidade para adquirir, obter, formalizar e representar o coñecemento humano nunha forma computable para a resolución de problemas mediante un sistema informático en calquera ámbito de aplicación, particularmente os relacionados con aspectos de computación, percepción e actuación en aplicacións Bioinformáticas
A6 CE6 – Capacidade para identificar as ferramentas software e fontes de datos de bioinformática máis relevantes, e adquirir destreza no seu uso
B1 CB6 – Posuír e comprender o coñecemento que fornecen unha base ou oportunidade de orixinalidade no desenvolvemento e / ou aplicación de ideas, a miúdo nun contexto de investigación.
B2 CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidas dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
B3 CB8 – Que os estudantes sexan capaces de integrar coñecementos e xestionar a complexidade de formular xuízos en base a información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas relacionadas coa aplicación dos seus coñecementos e xuízos
B6 CG1 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo
B7 CG2 - Manter e estender enfoques teóricos fundados para permitir a introdución i explotación de tecnoloxías novas e avanzadas
C1 CT1 - Expresarse correctamente, tanto de xeito oral como escrito, nas linguas oficiais da comunidade autónoma
C3 CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida
C6 CT6 - Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñibles para resolver os problemas cos que deben enfrontarse

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias do título
Coñecer e comprender os paradigmas e aspectos máis relevantes do tratamento de datos en bioinformática AP4
BP1
BP7
CP6
Coñecer os principais métodos de aprendizaxe a partir de datos, saber qué tipos principais existen e saber cómo aplicalos. AP2
AP3
AP4
AP6
BP1
BP2
BP3
BP6
CP1
CP3
CP6
Coñecer os métodos de redución da dimensionalidade AP3
AP4
BP1
BP3
BP7
CP6
Saber como debe avaliarse un modelo baseado en datos AP2
AP3
AP6
BP3
Coñecer as plataformas e as ferramentas dispoñibles no campo da Intelixencia Computacional. AP2
AP3
AP6
BP2
CP3
CP6

Contidos
Temas Subtemas
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

Planificación
Metodoloxías / probas Competencias Horas presenciais Horas non presenciais / traballo autónomo Horas totais
Sesión maxistral A2 A3 A4 B1 B3 B7 C6 14 21 35
Traballos tutelados A2 A3 A4 A6 B1 B2 B3 B6 C3 C6 0 29 29
Prácticas de laboratorio A2 A3 A4 A6 B2 C3 27 27 54
Presentación oral B3 C1 C6 3 3 6
Proba obxectiva A2 A3 A4 A6 B2 C1 C6 2 18 20
 
Atención personalizada 6 0 6
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral 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.
Traballos tutelados 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.
Prácticas de laboratorio 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.
Presentación oral Ao finalizar cada práctica e traballo tutelado os estudantes deben preparar unha sinxela presentación cos principais resultados, conclusións e achegas e expor o traballo realizado na aula.
Proba obxectiva Proba escrita utilizada como actividade para a avaliación individual da aprendizaxe.

Atención personalizada
Metodoloxías
Prácticas de laboratorio
Traballos tutelados
Descrición
O traballo tutelado 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.

Avaliación
Metodoloxías Competencias Descrición Cualificación
Prácticas de laboratorio 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
Traballos tutelados 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.

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.
95
Presentación oral B3 C1 C6 Periodicamente establécense sesións de presentación e discusión dos detalles dos traballos tutelados (e as prácticas), os resultados obtidos e as conclusións extraídas.

É OBRIGATORIA para poder aprobar e inflúe na cualificación final do traballo tutelado, pero non se puntúa á marxe deste.

0
Proba obxectiva A2 A3 A4 A6 B2 C1 C6 Proba escrita utilizada para a avaliación da aprendizaxe de todos ou algúns dos temas da materia.
Poderán realizarse varias probas o longo do curso co fin de facer unha avaliación continua.
5
 
Observacións avaliación
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.

- Un alumno considerarase presentado nunha convocatoria se participa en máis do 50% das actividades de avaliación.

- De acordo ao artigo 14, apartado 4, da normativa*, o plaxio dos
traballos prácticos conlevará unha nota global de SUSPENSO  na convocatoria anual  tanto para o
estudante que presente material copiado como para quen o facilitase.

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.


Fontes de información
Bibliografía básica 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

Bibliografía complementaria


Recomendacións
Materias que se recomenda ter cursado previamente
Introdución á programación/614522001
Fundamentos de intelixencia artificial/614522003

Materias que se recomenda cursar simultaneamente
Métodos estatísticos avanzados en bioinformática/614522009
Probabilidade. estatística e elementos de biomatemática/614522007

Materias que continúan o temario
Intelixencia computacional para datos de alta dimensionalidad/614522024

Observacións


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías