Curso Académico:
2022/23
3378 - Grado en Ingeniería Biomédica
25369 - Aprendizaje Automático para Aplicaciones en Biomedicina
Información del Plan Docente
Curso Académico:
2022/23
Centro académico:
337 - Escuela de Ingeniería
Estudio:
3378 - Grado en Ingeniería Biomédica
Asignatura:
25369 - Aprendizaje Automático para Aplicaciones en Biomedicina
Ámbito:
---
Créditos:
4.0
Curso:
4 y 3
Idiomas de docencia:
Teoría: | Grupo 1: Inglés |
Prácticas: | Grupo 101: Inglés |
| Grupo 102: Inglés |
Seminario: | Grupo 101: Inglés |
Profesorado:
Rafael Ramirez Melendez
Periodo de Impartición:
Segundo trimestre
Horario:
Presentación
La asignatura Aprendizaje Automático para Aplicaciones en Biomedicina es una asignatura optativa que se ofrece durante el curso de ingeniería biomédica, audiovisual, telemática e informática. La asignatura tiene un componente teórico y otro práctico. Dentro del componente teórico el énfasis está en la comprensión de los conceptos a nivel intuitivo más que en la utilización estricta de lenguaje matemático.
La asignatura está compuesta de tres actividades principales: clases de teoría, seminarios y laboratorios. En las clases de teoría se introducen los conceptos formales y matemáticos y se muestran ejemplos de su aplicación. En los seminarios, los alumnos resuelven pequeños problemas. Cada problema corresponde a uno de los conceptos introducidos en clase de teoría. En los laboratorios se presenten problemas de mayor complejidad y de carácter más computacional para que los alumnos tengan la oportunidad de poner en práctica los conceptos aprendidos.
Competencias asociadas
RA.CE4.5 Resuelve problemas complejos utilizando técnicas de aprendizaje automático y minería de datos.
El objetivo fundamental de la asignatura es que los alumnos adquieran los aspectos fundamentales relacionados con la teoría y aplicación de los principales algoritmos de aprendizaje automático y en particular su aplicación a la biomedicina.
Resultados del aprendizaje
El objetivo de la asignatura es extender y poner en práctica los diferentes algoritmos de aprendizaje automático y aplicarlos en el campo de la biomedicina. Pero concretamente, se pretende conseguir que los alumnos desarrollen la capacidad de especificar problemas de aprendizaje automático, e implementar soluciones para problemas prácticos. Asimismo, los estudiantes deberían desarrollar competencias para entender las propiedades de los distintos algoritmos e identificar el mejor algoritmo en diferentes problemáticas.
Objetivos de Desarrollo Sostenible
Educación de calidad # Salud y bienestar
Prerrequisitos
Los conocimientos previos para el seguimiento de la asignatura son nociones de matemáticas básicas adquiridas en los dos primeros cursos de los estudios. En particular, los conocimientos previos requeridos para la asignatura son:
Nociones algebraicas básicas: funciones (inyectivas, biyectivas), conjuntos y operaciones elementales sobre conjuntos.
Nociones básicas de cálculo, estadística y probabilidad
Aritmética básica.
Capacidad básica para comprender y escribir expresiones matemáticas.
Esta asignatura se asume la asimilación de los conceptos básicos aprendidos en Algebra lineal, así como en cálculo.
Contenidos
Blog de contenido 1.
Conceptos
|
Procedimientos
|
Actitudes
|
1. inductive learning, supervised/unsupervised learning
2. overfitting, model evaluation
3. Regressió lineal, regressió logística
|
1. Entendre els conceptes de aprenentatge supervisat i no supervisat,
2. . Entendre el concepte de overfitting i les diferents mesures d’evaluació per models induïts.
3. Poder implementar i aplicar les algorismes de regressió lineal y regressió logística para problemes de regressió y classificació
|
1. Apreciar els diferents tipus d’aprenentatge y les differents problematiques a les que se aplica
2. Disponibilitat a intentar entendre conceptes que inicialment semblen complexos.
|
Blog de contenido 2.
Conceptos
|
Procedimientos
|
Actitudes
|
1. Decision trees, artificial neural networks, deep learning, suport vector machines, k-nearest neighbor, evolutionary algorithms, clustering.
|
1. Descriure el procés d'execució de diferents algorismes de aprenentatge automàtic
2. Elegir i aplicar diferents algorismes de aprenentatge automàtic en problemàtiques reals.
|
1. Disponibilitat a intentar entendre conceptes que inicialment semblen complexos.
2. Predisposició a adquirir coneixement sòlid de base
|
Blog de contenido 3.
Conceptos
|
Procedimientos
|
Actitudes
|
1. Feature selection, practical machine learning, big data
|
1. Aplicar techniques d’aprenentatge automàtic en problemàtiques reals.
2. Diferenciar entre els diferents mecanismes disponibles en aprenentatge automàtic, las seves avantatges i disavantatges
3. Analitzar els models entrenados i identificar mesures per optimitzar els resultats
|
1. Disponibilitat a intentar entendre conceptes que inicialment semblen complexos.
2. Predisposició a adquirir coneixement sòlid de base
3. Disponibilitat de dedicar el temps necessari a cada concepte
|
Metodología docente
Clases de Teoría
En estas clases se abordan los conceptos teóricos de los blogs de contenido de la asignatura. Las clases de teoría consisten en 9 sesiones de dos horas de duración. El profesor llevará a cabo las explicaciones de los contenidos teóricos de la asignatura para lo cual se dispondrá de ordenador, proyector y pizarra como material soporte. Se utilizarán transparencias que servirán como apuntes de clase para los alumnos. Los conceptos analizados en este tipo de sesiones serán utilizados en las dos actividades de aprendizaje restantes de la asignatura; Sesiones de Seminarios y Sesiones de Prácticas. El estudiante tendrá que complementar esta actividad con una lectura detenida de sus propios apuntes y el material adicional que el profesor haya proporcionado. Por ejemplo, una sesión de teoría de 2 horas, convenientemente aprovechadas, requerirá un trabajo adicional fuera del aula de 1 hora por parte del estudiante.
Sesiones de Prácticas
En estas sesiones se desarrollan los puntos prácticos del blog de contenido de la asignatura. Estas sesiones se realizan en el laboratorio (si es posible) y tienen una duración de dos horas. El profesor de prácticas entregará un enunciado en la que se explica el desarrollo de la práctica y dará las directrices necesarias para que los alumnos realicen las comprobaciones y el desarrollo que se les solicite en los enunciados de la práctica. El alumno entregará una memoria de la práctica al final de la sesión, sobre la que el profesor evaluará que se han desarrollado adecuadamente los conceptos prácticos que se han planteado en el enunciado de la práctica. Esta actividad se realiza por parejas y se presupone que sigue fuera del aula. Las sesiones de práctica estarán orientadas a cubrir los puntos prácticos de los contenidos abordados en la clase de teoría.
Sesiones de Seminarios
Estas sesiones están dedicadas a describir puntos de particular relevancia de los blogs de contenido de la asignatura. Las sesiones de seminarios consisten en sesiones de dos horas de duración. En estas sesiones, el profesor dirigirá y planteará problemas específicas que ayudarán a reforzar los conocimientos adquiridos en las sesiones de teoría y prácticas de la asignatura. Los alumnos deben entregar las soluciones al comienzo del seminario, y además se pedirá a los alumnos que presenten sus soluciones en la pizarra. Para esta actividad, el profesor dispondrá de ordenador, proyector y pizarra como material soporte. Se podrán utilizar transparencias y en general, cualquier tipo de material que ayude a reforzar los conceptos adquiridos en las sesiones de teoría de la asignatura. Las actividades serán llevadas a cabo en grupos de 3-4 estudiantes.
Evaluación
En la evaluación continua se tiene en cuenta cada una de las tres actividades que constituyen la asignatura: clases de teoría, laboratorios y seminarios:
Activitat
|
Avaluació
|
Recuperable?
|
Teoria
|
Avaluació mitjançant un examen final
|
Si
|
Laboratoris
|
Avaluació amb les pràctiques de programació (LP) i examen final de practiques (LE)
|
LP: No
LE: Si
|
Seminaris
|
Avaluació mitjançant resolució d'exercicis de seminari
|
No
|
T: la evaluación de la teoría mediante un examen final (recuperable en julio)
L: la evaluación de los laboratorios con las prácticas de programación (no recuperable) y examen final de prácticas (recuperable en julio).
S: la evaluación de los seminarios (no recuperable)
En la evaluación, es necesario aprobar cada una de las tres actividades por separado y la nota final se obtiene haciendo la media ponderada de la siguiente forma:
Nota Final = 0,6*T+0,3*L+0,1*S
El examen de teoría se realizará sobre los contenidos desarrollados en clase de teoría y en los seminarios. Es un examen escrito e individual que evalúa todas las competencias desarrolladas a lo largo de la asignatura. Esta evaluación es obligatoria y debe ser calificada con al menos un 50% para aprobar la asignatura.
En los laboratorios se realizan una serie de prácticas que ponen a prueba la capacidad de los alumnos de aplicar la teoría en forma de programas en un ordenador. Las prácticas se realizan en pareja, de forma que los alumnos tengan que cooperar y saber comunicarse para resolver los problemas. La evaluación de las prácticas también es obligatoria se calificada en 2 partes: una evaluación continuada a lo largo del trimestre en forma de entrega de programas de ordenador (LP), y la otra como una parte del examen final de la asignatura dedicada a temas de prácticas (LE). Cada una de las partes deben ser calificadas como mínimo con un 50% para aprobar la asignatura. La nota L correspondiente a la nota de prácticas se obtiene haciendo la media ponderada de la siguiente forma:
L = 0,6 * LP + 0,4 * LE
Los detalles de los plazos de entrega de las prácticas a lo largo del trimestre y de las penalizaciones por retraso en su entrega serán publicadas en el campus global de la asignatura.
Antes de cada seminario se presentarán problemas a los alumnos para que ellos resuelvan en equipos de tres o cuatro antes de la sesión, como una preparación previa al seminario. Estos problemas corresponden a conceptos o conocimientos tratados en clase de teoría. Los alumnos tendrán tiempo para finalizar sus respuestas a los problemas al comienzo del seminario, tras lo cual pasarán aleatoriamente a pesentar sus soluciones en la pizarra (digital). En la evaluación se tendrá en cuenta la preparación del seminario, la presentación de la solución propuesta y el aprovechamiento del seminario. La evaluación del trabajo de los seminarios es obligatoria.
En caso de no aprobar la asignatura en la evaluación expuesta en los puntos anteriores, el alumno tendrá derecho a una convocatoria en el mes de julio. En la convocatoria de julio sólo será posible recuperar la parte del examen de teoría y la parte del examen final de prácticas. Esto es, la parte de prácticas de programación y la parte de seminarios no son recuperables en la convocatoria de julio. La nota de esta convocatoria se obtendrá de la misma forma que la nota de la convocatoria ordinaria explicada anteriormente.
Bibliografía y recursos de información
Bibliografia bàsica
Data mining [Recurs electrònic] : practical machine learning tools and techniques / Ian H. Witten, Eibe Frank, Mark A. Hall
Hands-On Machine Learning with ScikitLearn & TensorFlow, Aurélien Géron, O'Reilly
Machine learning / Tom M. Mitchell
Machine learning : an algorithmic perspective / Stephen Marsland
Recursos didàctics. Material docent de l’assignatura
Web de la asignatura
Apuntes
Colección de ejercicios
Enunciados de las prácticas
Recursos didácticos. Materiales y soporte
Matlab programming language
Weka software
Scikit-Learn
TensorFlow