Aprenentatge Automàtic

• Hores setmanals
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia
• Capacitats prèvies

Professorat

Responsable

• Alexandre Perera Lluna ( )

Hores setmanals

Objectius

1. Aplicar models d'aprenentatge profund a dades biològiques i biomèdiques, seleccionant i adaptant arquitectures com a xarxes convolucionals, recurrents i transformers per resoldre problemes específics en bioinformàtica i bioenginyeria.
   Competències relacionades: K2, K3, S2, S3, S4, C6,
2. Preprocessar, representar i analitzar dades biomèdiques heterogènies (imatges mèdiques, seqüències biològiques, senyals fisiològics), emprant eines computacionals modernes i bones pràctiques de programació científica.
   Competències relacionades: K4, K5, S4, S8, C3, C6,
3. Interpretar i avaluar el rendiment de models de deep learning en contextos biomèdics, utilitzant mètriques adequades i comprenent les limitacions i els riscos ètics de l'ús d'intel·ligència artificial en biomedicina.
   Competències relacionades: K4, K5, S4, S8, C3,

Continguts

1. Introducció a l'aprenentatge profund en bioinformàtica i bioenginyeria
   Introducció a l'aprenentatge profund en bioinformàtica i bioenginyeria, tipus de dades biològiques i eines de programari per a fluxos de treball d'aprenentatge eficaços.
2. Perceptrons multicapa: fonaments de l'aprenentatge profund
   Una introducció als components fonamentals de l'aprenentatge profund mitjançant perceptrons multicapa (MLP), que cobreix l'arquitectura de xarxa, les funcions d'activació, la propagació cap endavant i cap enrere, i el seu paper en la modelització de relacions no lineals complexes en dades biològiques.
3. Anàlisi d'imatges biomèdiques amb CNN
   Aquest mòdul explora les xarxes neuronals convolucionals (CNN) per a l'anàlisi d'imatges biomèdiques, centrant-se en tasques d'extracció de característiques, classificació i segmentació en aplicacions com la patologia, la radiologia i la microscòpia.
4. Modelització de sèries temporals i seqüències biològiques amb RNN
   Una anàlisi en profunditat de les xarxes neuronals recurrents (RNN) i les seves variants per modelar dades biològiques seqüencials i temporals, incloent-hi sèries temporals, senyals fisiològics i seqüències de nucleòtids o proteïnes.
5. Transformadors i mecanismes d'atenció per a seqüències biològiques
   Introducció als mecanismes d'atenció i les arquitectures de transformadors, emfatitzant la seva eficàcia en la captura de dependències a llarg termini en seqüències biològiques per a tasques com la predicció d'estructures i l'anotació funcional.
6. Arquitectures de codificador-descodificador
   Disseny i aplicació de models de codificador-descodificador per a la transformació, anotar i generar seqüències biològiques i dades biomèdiques, amb èmfasi en RNN i variants de transformador, integració de l'atenció i tasques de modelització de seqüències del món real.
7. Models de llenguatge i PNL en bioinformàtica i biomedicina
   Aquest mòdul explora com s'apliquen els models de llenguatge a textos biomèdics i seqüències biològiques, permetent tasques com el reconeixement d'entitats amb nom, la classificació de documents i l'anotació funcional mitjançant models preentrenats com BioBERT, DNABERT i transformadors de seqüències de proteïnes.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Deep Learning for the Life Sciences - Bharath Ramsundar, Peter Eastman, Pat Walters, Vijay Pande, O'Reilly Media, Inc., ISBN: 9781492039839
  
• Bioinformatics with Python Cookbook - Tiago Antão, ISBN: 978-1789344691
  

Capacitats prèvies