Aprenentatge Estadístic

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

Professorat

Responsable

• Santiago Marco Colás ( )

Altres

• Agustín Gutiérrez Gálvez ( )
• Elitza Nikolaeva Maneva ( )

Hores setmanals

Resultats d'aprenentatge

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. Implementar esquemes correctes per la partició del dades per l'entrenament, optimització i la caracterització de models predictius
   Competències relacionades: K2, K3, K4, S3, S4,
2. Seleccionar el preprocessat de dades adient abans de la construcció del model
   Competències relacionades: K2, K3, K4,
3. Realitzar la reducció de la dimensionalitat utilitzant tant els mètodes de selecció com d'extracció de característiques.
   Competències relacionades: K2, K3, K4, K5, S3, S4, C3, C6,
4. Avaluar críticament el rendiment del model utilitzant tècniques de validació adequades.
   Competències relacionades: K2, K3, K4, S3, S8, C3, C6,
5. Aplicar mètodes avançats d'aprenentatge automàtic i processament de senyals als reptes reals de la bioinformàtica i les dades de salut
   Competències relacionades: K2, K3, K4, K5, S2, S3, S4, S8, C3, C6,
6. Escriure un informe de laboratori en un llenguatge formal, ben estructurat i amb grafics de qualitat.
   Competències relacionades: C3,
7. Defensar oralment un treball en equip sobre una anàlisi d'aprenentatge automàtic d'un conjunt de dades. Produir diapositives de bona qualitat i estructurar la presentació per proporcionar un missatge clar al públic. Respondre preguntes tècniques amb competència.
   Competències relacionades: S8, C3,
8. Comprendre la literatura tècnica en l'àrea de l'aprenentatge estadístic per a la salut. Identificar conceptes clau i identificar idees que requereixen una anàlisi més profunda.
   Competències relacionades: K2, K3, C6,

Continguts

1. Introducció a l' aprenentatge estadìstic: conceptes bàsics i exemples
   Motivació i conceptes bàsics. Exemples d'aplicació. Eines
2. Introducció a l'aprenentatge estadístic (II)
   Figures de mèrit. Classificadors bàsics. Sobreajust i control de complexitat. Reducció de la dimensionalitat. Regularització.
3. Preprocessat de dades: Des de les dades en cru fins a les característiques.
   Exemples en espectrometria. Reducció de soroll, correcció de linia de base, detecció de pics i integració, transformacions no-lineals, tècniques d'escalat i normalització.
4. Reducció de dimensionalitat: extracció de característiques
   La maldició de la dimensionalitat. Anàlisi de Components Principals. Anàlisi discriminant lineal.
5. Reducció de dimensionalitat: Selecció de característiques
   La importància de la partició de les dades. Enfocaments univariants. Enfocaments multivariants: filtres, wrappers, cerques seqüencials, algorismes genètics. Rànquings de característiques i eliminació recursiva de característiques.
6. Agrupament
   K-means, agrupament jeràrquic, models de mescla gaussiana, finestres de Parzen.
7. Classificadors bàsics
   Teorema de Bayes. Classificadors discriminants lineals i quadràtics. Naive Bayes. Anàlisi discriminant per mínims quadrats parcials (PLS-DA).
8. Validació de models i validació creuada
   Nivells i propòsit de la validació. Estratificació. Validació interna/externa. Hold-out, Leave-one-out, k-fold, mostreig aleatori, Bootstrap.
9. Clasificadors avançats
   Màquines de vectors de suport, arbres de decisió, bosc aleatori. XGBoost.
10. Regressió multilineal
    Regressió lineal. Regressió multilineal. El nombre de condició. Regressió Ridge, LASSO. Selecció de subconjunts.
11. Regressió avançafa
    Xarxes neuronals, el perceptró. El perceptró multicapa. Tècniques de descens per gradient. Aprenentatge profund (Deep Learning). Regressió de vectors de suport.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• The Elements of statistical learning : data mining, inference, and prediction - Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome, Springer, cop. 2009. ISBN: 9780387848570
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003549679706711&context=L&vid=34CSUC_UPC:VU1
• Pattern recognition and machine learning - Bishop, Christopher M, Springer, cop. 2006. ISBN: 9780387310732
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1
• Bioinformatics : the machine learning approach - Baldi, Pierre; Brunak, Soren, The MIT Press, cop. 2001. ISBN: 9780262025065
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003149339706711&context=L&vid=34CSUC_UPC:VU1
• Multidimensional scaling - Cox, Trevor F; Cox, Michael A. A, Chapman & Hall, cop. 2001. ISBN: 9781584880943
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003165429706711&context=L&vid=34CSUC_UPC:VU1
• Correspondence analysis in practice - Greenacre, Michael J, Academic press, cop. 1993. ISBN: 9780122990526
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991000916169706711&context=L&vid=34CSUC_UPC:VU1
• Chemometrics with R: multivariate data analysis in the natural sciences and life sciences - Wehrens, Ron, Springer Science, 2011.
  
• Introduction to multivariate statistical analysis in chemometrics - Varmuza, Kurt; Filzmoser, Peter, CRC Press, 2016.
  
• Data Science and Predictive Analytics: Biomedical and Health Applications using R - Dinov, Ivo D., Springer, 2018.
  
• Modern statistics for modern biology - Holmes, Susan; Huber, Wolfgang, Cambridge Press, 2025.
  
• An Introduction to statistical learning : with applications in R - James, Gareth, ©2021. ISBN: 9781071614174
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004922348606711&context=L&vid=34CSUC_UPC:VU1
• An introduction to statistical Learning with applications in Python - James, Gareth, Springer,
  

Capacitats prèvies