Maestría internacional en Inteligencia Artificial aplicada al ámbito biosanitario

INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO
BIOSANITARIO

UNIDAD DIDÁCTICA 1. PROGRAMACIÓN, DATOS Y MODELOS DE
INTELIGENCIA ARTIFICIAL
1. Distinción de los fundamentos de la IA y sus diferencias respecto al desarrollo de aplicaciones convencionales
-Tipos de IA
-Aplicaciones de la IA
-Áreas de la IA
-Datos y IA
2. Identificación de los conceptos básicos del lenguaje Python así como de las herramientas necesarias para trabajar con datos
-Entornos Integrados de Desarrollo. Anaconda
-Jupyter Notebooks
-El lenguaje Python
-Modulos avanzados de Python: numpy, pandas, matplotlib, ScikiLearn
3. Aplicación de aspectos avanzados de procesamiento de datos en Python
-Tipos de datos: estructurados y no estructurados
-Adquisición y almacenamiento de datos
-Limpieza de datos
-Enriquecimiento de datos
-Preprocesamiento de datos: estandarización, normalización, codificación,
discretización, imputación
4. Interpretación de la información contenida en un conjunto de datos
-Uso de distribuciones de probabilidades para la caracterización de datos
-Estadísticos básicos
-Clustering y reducción de dimensionalidad
-Visualización de datos
5. Identificación de los tipos de datos complejos y de las herramientas aplicables a su
análisis
-Análisis de datos tabulares
-Análisis de grafos
-Análisis de datos textuales
-Análisis de series temporales
-Análisis de imágenes
6. Adquisición de buenas prácticas de programación y de revisión de código, uso de sistemas de controles de versiones y metodologías de trabajo ágiles
-Buenas prácticas de desarrollo Python
-Control de versiones (Github o similares)
-Metodologías Ágiles
-Documentación

UNIDAD DIDÁCTICA 2. SISTEMAS DE APRENDIZAJE AUTOMÁTICO
1. Compresión de las bases del aprendizaje supervisado
-Definición del problema: la función de pérdida
-Curva de aprendizaje
-Conjunto de aprendizaje, conjunto de test, conjunto de validación
-Análisis de errores
-Métricas
2. Distinción y aplicación de los métodos básicos de clasificación
-K-nn
-Árboles de decisión
-Random Forests
-Máquinas de vectores de soporte
3. Distinción y aplicación de los métodos básicos de regresión
-Métodos lineales
-Regresión múltiple
-Regresión logística
-Random Forests
4. Identificación de las herramientas de desarrollo de redes neuronales
-Plataformas de desarrollo: Tensorflow
-Regresión con redes neuronales
-Clasificación con redes neuronales
-Aplicaciones a la visión por computador
-Aplicaciones al procesamiento del lenguaje natural
5. Implementación y puesta en marcha de un sistema de aprendizaje automático
-Gestión del ciclo de vida de un sistema de aprendizaje automático
-Contenedores y APIs: Docker
-Servicio en la nube
6. Identificación de las limitaciones de los sistemas de aprendizaje y de las
consecuencias éticas de su mal uso
-Circunstancias en las que usar las técnicas de aprendizaje para crear sistemas de
toma de decisiones
-Datos y sesgos en las decisiones
-Gestión de la incertidumbre en las decisiones
-Otros aspectos éticos

UNIDAD DIDÁCTICA 3. SISTEMAS DE BIG DATA
1. Distinción de los fundamentos del Big Data
-Definición de un sistema de Big Data
-Computación distribuida. Computación paralela
-Sistemas de almacenamiento distribuidos. Tolerancia a fallos
-Aplicación de Big Data a las empresas y organizaciones
2. Distinción de las arquitecturas y herramientas utilizadas en el Big Data
-Definición de la arquitectura del Big Data
-Recolección y almacenamiento en el sistema Big Data
-Procesamiento y análisis del sistema Big Data
-Herramientas y proveedores del Big Data: Hive, Pig, Flume, etc
3. Identificación y análisis de los usos más comunes de Big Data
-Configuración de cuadros de mando en entornos computacionales
-Soluciones con sistemas de almacenamiento
-Soluciones con sistemas de procesamiento
-Soluciones con sistemas de analítica
4. Aplicación de un caso práctico de Big Data en la nube
-Arquitectura Cloud.
-IaaS, PaaS y SaaS
-Introducción a Azure, AWS y Google Cloud
-Powershell y Scripting
-Máquinas virtuales
-Componentes y Arquitecturas
-Administración de sistemas en la nube
-Desarrollo completo de una aplicación simple en la nube
-Monitorización, optimización y solución de problemas
-Planificación y gestión de costos

UNIDAD DIDÁCTICA 4. FUNDAMENTOS DE PROBABILIDAD Y
ESTADÍSTICA CON R
1. Compresión del ciclo del conocimiento científico en general y de las ciencias de la
salud en particular
-Método científico
-Diseño del experimento
-Observación y obtención de datos experimentales
-Aplicación de métodos matemáticos y estadísticos
-Construcción de hipótesis y de modelos
2. Aplicación de la estadística descriptiva a los datos poblacionales biosanitarios
-Tablas de frecuencias
-Representaciones gráficas: diagramas de sectores, diagramas de barras,
histograma, polígono de frecuencias
3. Distinción de los parámetros estadísticos que resumen y caracterizan un conjunto de datos epidemiológico
-Parámetros de tendencia central
-Parámetros de dispersión
-Parámetros de asimetría y forma
4. Aplicación de gráficos exploratorios a los datos poblacionales epidemiológicos
-Gráficos para datos cualitativos
-Gráficos para datos cuantitativos discretos
-Gráficos para datos cuantitativos continuos
5. Búsqueda de una solución probabilista en algunos casos del ámbito biosanitario
-Definición de probabilidad y propiedades. Regla de Laplace
-Combinatoria
-Teorema de Bayes
6. Identificación de variables aleatorias unidimensionales en datos biosanitarios
-Variables Discretas
-Variables Continuas
-Media o Esperanza Matemática
-Varianza y Desviación típica
7. Identificación de distribuciones unidimensionales en datos biosanitarios
-Distribución Binomial. Ejemplos
-Distribución Normal. Ejemplos
8. Aplicación de las pruebas de significación y contraste de hipótesis para el proceso de decisión
-Test de hipótesis y límites de significación
-Errores de tipo I y II. Riesgos alfa y beta
9. Identificación de los datos masivos (Big-Data) en la investigación biomédica y en la
atención sanitaria
-Datos médicos de carácter personal
-Anonimización de los datos
-Legislación en protección de datos
-Tipos de datos biomédicos

UNIDAD DIDÁCTICA 5. TECNOLOGÍAS UTILIZADAS EN EL ÁMBITO
HOSPITALARIO Y EL SISTEMA DE SALUD
1. Identificación de los diferentes estamentos que forman parte de la organización del sistema de salud
-Ecosistema de salud y su cadena de valor
-Organización, planificación y localización de recursos
-Modelos de provisión de servicios
-Atención a crónicos
-Tecnología y salud
2. Análisis de la gestión y toma de decisiones en ciencias de la salud, el sistema
sanitario, la atención primaria y la salud pública
-Estrategia de salud pública
-Salud y sociedad
-Epidemiología
-Investigación en el mundo sanitario
3. Implementación y puesta en marcha de las tecnologías digitales más utilizadas en salud
-Sistemas maestros (HIS, LIS, PACs, FIS, EHR, etc.)
-Terminologías estándares e interoperabilidad (LOINC, HL7-CDA, HL7-FHIR,
SNOMED-CT, ICD-10, CPT, openEHR, etc)
-Marco conceptual de documentación clínica
-Conceptos básicos de bioinformática