MÁSTER 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