|
||||||||||||||||||||||||||||||||
Consulta de los datos generales Descripción La asignatura en el conjunto del plan de estudios Campos profesionales en el que se proyecta Conocimientos previos Información previa a la matrícula Objetivos y competencias Contenidos Consulta de los materiales de los que dispone la asignatura Materiales y herramientas de apoyo Informaciones sobre la evaluación a la UOC Consulta del modelo de evaluación | ||||||||||||||||||||||||||||||||
Este es el plan docente de la asignatura para el segundo semestre del curso 2023-2024. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios. | ||||||||||||||||||||||||||||||||
Machine learning nació como una rama de la inteligencia artificial con el objetivo de que una maquina pudiera aprender a base de ejemplos usando algún algoritmo de aprendizaje automático. Por tanto, se necesita tener ejemplos, es decir datos, un algoritmo que ayude a aprender, basada en métodos estadísticos, y una máquina, ordenador en general, con suficiente potencia de cálculo y capacidad de memoria. En el mundo actual se tiene una gran disponibilidad de datos, en particular en el mundo de la bioinformática. Esto hace que las técnicas de machine learning se apliquen cada vez con mayor frecuencia, como por ejemplo parala anotación automática de genomas y el análisis de los datos omicos obtenidos en experimentos con tecnologías de alto rendimiento. En este curso de machine learning se presentan conceptos básicos, algoritmos y aplicaciones del machine learning en el ámbito de la bioinformática. En particular, se estudiaran las siguientes metodologías de aprendizaje supervisado:
En cada una de las anteriores metodologías haremos una introducción de los conceptos subyacentes y luego se implementa una aplicación usando el software R, dando importancia a la generación de informes dinámicos para la presentación de los resultados. Con esta finalidad se han seleccionado ejemplos reales en bioinformática o biomedicina que se tratarán durante el curso. Además de los algoritmos hay una unidad didáctica, la III, de carácter transversal, dónde se estudiará la evaluación del rendimiento de un modelo. En esta unidad se presentan los métodos de evaluación de los clasificadores, como son las medidas de rendimiento: especificidad, sensibilidad, etc y las métodos de remuestreo: cross-validation, bootstrap, etc. |
||||||||||||||||||||||||||||||||
Esta asignatura optativa refuerza el conocimiento en análisis predictivo e introuduce al estudiante al mundo del data science y el big data. |
||||||||||||||||||||||||||||||||
En acabar aquesta assignatura l'estudiant coneixerà les eines bàsiques de data science que li habilitaran per incorporar-se en grups/empreses que desenvolupin activitat a l'àrea del machine learning i les ciències òmiques. Exemples de perfils professionals que fan un ús important dels conceptes i tècniques desenvolupats en aquesta assignatura són els següents:
|
||||||||||||||||||||||||||||||||
Esta asignatura puede afrontarse con los siguientes conocimientos previos.
Si en algún momento del curso, el estudiante precisa reforzar algún área se le facilitará las referencias en las cuales acudir para su formación, además de contar con las explicaciones del docente del aula. |
||||||||||||||||||||||||||||||||
Es recomendable que el estudiante haya superado Regresión, Modelos y Métodos antes de cursar esta asignatura, y también que tenga adquiridas las competencias que se tratan en la asignatura Biología Molecular. |
||||||||||||||||||||||||||||||||
Esta asignatura muestra un conjunto de técnicas de machine learning supervisado para el análisis de datos propios de las ciencias omicas. Durante el curso se adquiriran las siguientes capacidades:
Según la memoria del Máster Universitario en Bioinformática y Bioestadística, aprobada por las Agencias Oficiales de Calidad Docente Universitaria (AQU), en esta asignatura se garantizan las siguientes competencias:
|
||||||||||||||||||||||||||||||||
Los contenidos se organizan por temas, los cuales se agrupan en unidades, que es el bloque de información tal como se ve en el aula.
Unidad I. Introducción a Machine Learning 1.1. Los orígenes del Machine Learning. 1.2. ¿Cómo aprenden las máquinas? 1.3. Pasos en la implementación de Machine Learning. 1.4. La elección del algoritmo de Machine Learning 1.5. Elementos básicos de R. 1.6. Machine Learning con R e informes dinámicos.
Unidad II: Algoritmo de k-vecinos más cercanos (kNN) 2.1. Comprender la clasificación con los vecinos más cercanos. 2.2 El algoritmo kNN. 2.3 Distancias entre datos. 2.4 Elección de una k adecuada. 2.5. Preparando los datos 2.6. Ejemplo de aplicación.
Unidad III: Evaluación del rendimiento del modelo. 3.1. Medidas del rendimiento de un clasificador. 3.2. Matriz de confusión. Medidas asociadas 3.3. Curvas ROC 3.4. Técnicas de muestreo para la evaluación del rendimiento del modelo.
Unidad IV: Clasificación usando Naive Bayes. 4.1. Comprender la clasificación con Naive Bayes. 4.2. Conceptos básicos de los métodos Bayesianos. 4.3. El Algoritmo de Naive Bayes. 4.4. Ejemplo de aplicación.
Unidad V: Redes neuronales artificiales. 5.1. Comprender las redes neuronales artificiales. 5.2. Topologia de la red. 5.3. Backpropagation. 5.4. Ejemplo de aplicación. 5.5. Deep Learning
Unidad VI: Support Vector Machines (SVM). 6.1. Clasificación con hiperplanos. 6.2. Encontrar el hiperplano de margen máximo. 6.3. El uso de funciones kernel en problemas no lineales. 6.4. Ejemplo de aplicación.
Unidad VII: Árboles de decisión y Random Forests. 7.1. Comprender los árboles de decisión. 7.2. Poda del árbol de decisión. 7.3 Ejemplo de aplicación. 7.4. Comprender el Random Forests. 7.5. Ejemplo de aplicación.
Unidad VIII: Hidden Markov Models (HMM) 8.1 Comprender los Hidden Markov Models. 8.2 Algoritmos para Hidden Markov Models. 8.3 Ejemplo de aplicación. |
||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||
En esta asignatura se usa como manual del curso el siguiente libro: Lantz (2015) Machine learning with R. Second edition. Ed. Packt Esta disponible como libro electonico en la biblioteca.
Tambíen se usaran materiales elaborados por el equipo docente, que estaran disponibles en el aula. |
||||||||||||||||||||||||||||||||
La Normativa académica de la UOC dispone que el proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados. La falta de originalidad en la autoría o el mal uso de las condiciones en las que se hace la evaluación de la asignatura es una infracción que puede tener consecuencias académicas graves. El estudiante será calificado con un suspenso (D/0) si se detecta falta de originalidad en la autoría de alguna actividad evaluable (práctica, prueba de evaluación continua (PEC) o final (PEF), o la que se defina en el plan docente), ya sea porque ha utilizado material o dispositivos no autorizados, ya sea porque ha copiado de forma textual de internet, o ha copiado de apuntes, de materiales, manuales o artículos (sin la citación correspondiente) o de otro estudiante, o por cualquier otra conducta irregular. La calificación de suspenso (D/0) en la evaluación continua (EC) puede conllevar la obligación de hacer el examen presencial para superar la asignatura (si hay examen y si superarlo es suficiente para superar la asignatura según indique este plan docente). Cuando esta mala conducta se produzca durante la realización de las pruebas de evaluación finales presenciales, el estudiante puede ser expulsado del aula, y el examinador hará constar todos los elementos y la información relativos al caso. Además, esta conducta puede dar lugar a la incoación de un procedimiento disciplinario y la aplicación, si procede, de la sanción que corresponda. La UOC habilitará los mecanismos que considere oportunos para velar por la calidad de sus titulaciones y garantizar la excelencia y la calidad de su modelo educativo. |
||||||||||||||||||||||||||||||||
|