Técnicas de inteligencia artificial aplicadas al ámbito biomolecular

Los principales resultados de aprendizaje al cursar esta materia:

- Identificar y conocer las diferentes técnicas de IA orientadas al aprendizaje automático (i.e., Machine Learning).

- Identificar las diferentes técnicas de IA orientadas al aprendizaje profundo (i.e., Deep Learning).

- Saber aplicar el modelo más apropiado de aprendizaje automático o profundo, para un problema determinado de análisis /explotación de datos en el ámbito biomolecular.

- Saber utilizar plataformas software para construir modelos basados en aprendizaje automático o profundo, a partir de datos del ámbito biomolecular.

- Saber preprocesar, interpretar y reducir la dimensionalidad de los datos biomoleculares a gran escala, para facilitar su tratamiento mediante aprendizaje automático o profundo.

Teoría:
Introducción al aprendizaje automático.
Aprendizaje supervisado y no supervisado (i.e., Árboles de decisión, Gradient Boosting, Support Vector
Machine, etc).
Aprendizaje por refuerzo.
Introducción al Aprendizaje federado.
Introducción al aprendizaje profundo.
Redes neuronales convolucionales (CNN).
Combinación y selección de modelos.
Plataformas y herramientas software para aprendizaje automático y profundo.
Aspectos éticos derivados de la aplicación de técnicas de Inteligencia Artificial.
Prácticas: casos prácticos en laboratorio sobre los diferentes contenidos teóricos de la asignatura.

Seminarios:
Realización y exposición de trabajos sobre los diferentes contenidos teóricos de la asignatura.
Prácticas:
Casos prácticos en laboratorio sobre los diferentes contenidos teóricos de la asignatura.

Bibliografía básica

D. Borrajo, J. González y P. Isasi. Aprendizaje automático. Sanz y Torres.
T.M. Mitchell. Machine Learning. McGraw Hill.

Bibliografía complementaria

E. Rich y K. Knight. Artificial Intelligence. McGraw-Hill.
S. Russel y P. Norving. Artificial Intelligence: a modern approach. Prentice Hall. 2003

Comp05 - Colaborar en equipos interdisciplinares en cualquier ambiente de trabajo, partiendo del conocimiento del entorno y de la normativa legal vigente

Comp07 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su áreade estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética

Con08 - Identificar y conocer las diferentes técnicas de IA orientadas al aprendizaje automático (machine learning) y aprendizaje (deep learning) para construir modelos a partir de datos del ámbito

H/D10 - Reprocesar, interpretar y reducir la dimensionalidad de los datos biomoleculares a gran escala, para facilitar su tratamiento mediante aprendizaje automático o profundo

Para la correcta adquisición de las competencias por parte del estudiante se ha adoptado para el título el siguiente conjunto general de metodologías:
1ª) Docencia expositiva
2ª) Docencia interactiva:
Prácticas (en laboratorio y/o en aula de informática)
Resolución de problemas y/o casos prácticos
Seminarios
Tutorías en grupos reducidos
Campus Virtual de la USC
3ª) Realización de trabajos:
Trabajos individuales, sin o con exposición
Trabajos en grupo, sin o con exposición
4ª) Tutorías individuales
Dado que a partir de esta Memoria y de la normativa general de la USC ya se establecen, para cada materia y cuando corresponda, la distribución de las horas presenciales de docencia expositiva, prácticas, seminarios y tutorías en grupo, así como las tutorías individuales, el profesor responsable de la docencia de cada materia establecerá y hará constar en su guía docente qué metodologías empleará de entre las anteriormente citadas.

• Examen Final (Valor entre 10%-40% de la nota global) - Comp07, H/D10
• Seguimiento continuado (5%-35%) -Comp05
• Evaluación de trabajos prácticos (10%-40%) - Comp07, Comp05, H/D10, Con08
• Evaluación de trabajos tutelados (10%-40%) - Comp05, Con08

Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación el establecido en la "Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de las calificaciones".

Clases de teoría/Clase magistral – 24 horas presenciales + 48 horas no presenciales
Clases prácticas de laboratorio/Prácticas de laboratorio – 12 horas presenciales + 20 horas no presenciales
Realización de trabajos tutelados/Trabajo autónomo – 0 horas presenciales + Z horas no presenciales

No hay

No hay