Aprendizaje Automático

• Horas semanales
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Capacidades previas

Profesorado

Responsable

• Alexandre Perera Lluna ( )

Horas semanales

Objetivos

1. Aplicar modelos de aprendizaje profundo a datos biológicos y biomédicos, seleccionando y adaptando arquitecturas como redes convolucionales, recurrentes y transformers para resolver problemas específicos en bioinformática y bioingeniería.
   Competencias relacionadas: C6, K2, K3, S2, S3, S4,
2. Preprocesar, representar y analizar datos biomédicos heterogéneos (imágenes médicas, secuencias biológicas, señales fisiológicas), empleando herramientas computacionales modernas y buenas prácticas de programación científica.
   Competencias relacionadas: C6, K4, K5, S4, S8, C3,
3. Interpretar y evaluar el rendimiento de modelos de deep learning en contextos biomédicos, utilizando métricas adecuadas y comprendiendo las limitaciones y riesgos éticos del uso de inteligencia artificial en biomedicina.
   Competencias relacionadas: C3, K4, K5, S4, S8,

Contenidos

1. Introducción al aprendizaje profundo en bioinformática y bioingeniería
   Introducción al aprendizaje profundo en bioinformática y bioingeniería, tipos de datos biológicos y herramientas de software para flujos de trabajo de aprendizaje efectivos.
2. Perceptrones multicapa: fundamentos del aprendizaje profundo
   Una introducción a los componentes fundamentales del aprendizaje profundo a través de perceptrones multicapa (MLP), que abarca la arquitectura de red, las funciones de activación, la propagación hacia adelante y hacia atrás y su papel en el modelado de relaciones no lineales complejas en datos biológicos.
3. Análisis de imágenes biomédicas con CNN
   Este módulo explora las redes neuronales convolucionales (CNN) para analizar imágenes biomédicas, centrándose en tareas de extracción de características, clasificación y segmentación en aplicaciones como patología, radiología y microscopía.
4. Modelado de series temporales y secuencias biológicas con RNN
   Una mirada en profundidad a las redes neuronales recurrentes (RNN) y sus variantes para modelar datos biológicos secuenciales y temporales, incluidas series de tiempo, señales fisiológicas y secuencias de nucleótidos o proteínas.
5. Transformadores y mecanismos de atención para secuencias biológicas
   Introducción a los mecanismos de atención y arquitecturas de transformadores, enfatizando su efectividad para capturar dependencias de largo alcance en secuencias biológicas para tareas como predicción de estructuras y anotación funcional.
6. Arquitecturas de codificador-decodificador
   Diseño y aplicación de modelos codificadores-decodificadores para transformar, anotar y generar secuencias biológicas y datos biomédicos, con énfasis en RNN y variantes de transformadores, integración de atención y tareas de modelado de secuencias del mundo real.
7. Modelos de lenguaje y PNL en bioinformática y biomedicina
   Este módulo explora cómo se aplican los modelos de lenguaje a textos biomédicos y secuencias biológicas, lo que permite tareas como el reconocimiento de entidades nombradas, la clasificación de documentos y la anotación funcional a través de modelos previamente entrenados como BioBERT, DNABERT y transformadores de secuencias de proteínas.

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• 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
  

Capacidades previas