Aprenentatge Automàtic

Crèdits
6
Tipus
Obligatòria
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
ESAII
Aquest curs explora l'aplicació de tècniques d'aprenentatge profund a la bioinformàtica i la bioenginyeria, centrant-se en els reptes i les oportunitats úniques que presenten les dades biològiques i biomèdiques. A partir dels coneixements previs de l'aprenentatge automàtic clàssic, els estudiants aprofundiran en arquitectures de xarxes neuronals avançades, com ara perceptrons multicapa, xarxes neuronals convolucionals (CNN), xarxes neuronals recurrents (RNN) i transformadors. El curs cobreix dominis clau com l'anàlisi d'imatges biomèdiques, la modelització de sèries temporals i seqüències, la modelització generativa amb VAE i GAN, i l'ús de models de llenguatge tant per a textos biomèdics com per a seqüències biològiques.

Professorat

Responsable

Altres

Hores setmanals

Teoria
2
Problemes
2
Laboratori
0
Aprenentatge dirigit
0
Aprenentatge autònom
6

Competències

Resultats d'aprenentatge

Coneixements

  • K2 - Identificar els mètodes estadístics i computacionals i els models matemàtics que permeten resoldre problemes en els camps de la biologia molecular, la genòmica, la investigació mèdica i la genètica de poblacions.
  • K3 - Identificar els fonaments matemàtics, les teories informàtiques, els esquemes algorísmics i els principis d'organització de la informació aplicables al modelat de sistemes biològics i a la resolució eficient de problemes bioinformàtics mitjançant el disseny d'eines computacionals.
  • K4 - Integrar els conceptes oferts pels llenguatges de programació de major ús en l'àmbit de les Ciències de la Vida per a modelar i optimitzar estructures de dades i construir algorismes eficients, relacionant-los entre sí i amb els seus casos d'aplicació.
  • K5 - Identificar la naturalesa de les variables biològiques que cal analitzar, així com els models matemàtics, els algorismes i les proves estadístiques adequades per a desenvolupar i avaluar anàlisis estadístics i eines computacionals.

    • Habilitats

  • S2 - Analitzar computacionalment seqüències d'ADN, ARN i proteïnes, incloent anàlisis comparatives de genomes, usant la computació, les matemàtiques i l'estadística com a eines bàsiques de la bioinformàtica.
  • S3 - Resoldre problemes en els camps de la biologia molecular, la genòmica, la investigació mèdica i la genètica de poblacions mitjançant l'aplicació de mètodes estadístics i computacionals i models matemàtics.
  • S4 - Elaborar eines específiques que permetin la resolució de problemes sobre la interpretació de dades biològiques i biomèdiques, incloent visualitzacions complexes.
  • S8 - Enfrontar-se a la presa de decisions, i defensar-les amb arguments, en la resolució de problemes de les àrees de biologia, així com, dins dels àmbits adequats, les ciències de la salut, les ciències de la computació i les ciències experimentals.

    • Competències

  • C3 - Comunicar-se de forma oral i escrita amb altres persones, en llengua anglesa, sobre els resultats de l'aprenentatge, de l'elaboració del pensament i de la presa de decisions.
  • C6 - Detectar deficiències en el propi coneixement i superar-les mitjançant la reflexió crítica i l'elecció de la millor actuació per a ampliar aquest coneixement.

    • 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: C6, K2, K3, S2, S3, S4,
    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: C6, K4, K5, S4, S8, C3,
    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: C3, K4, K5, S4, S8,

    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


    Classes de teoria


    Objectius: 1 2
    Teoria
    25h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    45h

    Laboratoris


    Objectius: 2 3
    Teoria
    0h
    Problemes
    30h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    45h

    Parcial



    Setmana: 8
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Exàmen Final



    Setmana: 15 (Fora d'horari lectiu)
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Metodologia docent

    Les classes magistrals seran principalment de tipus expositiu. També hi haurà sessions pràctiques i sessions pràctiques amb Python.

    Mètode d'avaluació

    L'avaluació del curs és la següent:
    - El 30% correspon a treballs pràctics (a fer per parelles),
    - El 70% consisteix en 2 exàmens teòrics parcials fets a mig trimestre (35%) i al final del trimestre (35%).

    Informació de recuperació
    Es pot recuperar.
    Només els estudiants que després de l'avaluació tinguin una nota igual o superior a 3 poden fer l'examen de reavaluació. A l'examen de reavaluació (R) només es reavalua la part teòrica i la nota de reavaluació en aquest cas serà 70%R més 30% dels treballs pràctics realitzats durant el curs.

    Bibliografia

    Bàsic

    • 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

    Python basic