Avís important
La guia docent és provisional.
La versió en PDF de la guia docent pot tardar uns dies en estar disponible al DDD.
Computació d'Altes Prestacions i Anàlisi de Big Data
Codi: 43917Crèdits: 12
| Titulació | Tipus | Curs |
|---|---|---|
| Bioinformàtica / Bioinformatics | OP | 1 |
Professor/a de contacte
- Nom :
- Miquel Àngel Senar Rosell
- Correu electrònic :
- miquelangel.senar@uab.cat
Equip docent
- Oscar Lao Grueso
- Emanuele Raineri
Equip docent (extern a la UAB)
- Sandra Méndez
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Per a poder fer aquest mòdul és necessari haver aprovat els dos mòduls obligatoris: Programming in Bioinformatics i Core Bioinformatics.
Es recomana tenir el nivell B2 d'anglès o equivalent.
Objectius
Aquest mòdul té com a objectiu proporcionar als estudiants els coneixements i les habilitats necessaris per a (1) desenvolupar aplicacions informàtiques robustes i escalables per a solucionar problemes bioinformàtics mitjançant l'ús combinat d'eines de programari intermediari (middleware) generals i eines bioinformàtiques específiques; (2) aplicar mètodes de programació avançats en Python dins de l'àmbit de la bioinformàtica i (3) dur a terme anàlisis estadístiques avançades de Big Data.
Resultats d'aprenentatge
- CA11 (Dissenyar solucions computacionals eficients a problemes de bioinformàtica mitjançant l’ús d’algorismes, eines de programació i eines d’execució avançades.) Dissenyar solucions computacionals eficients a problemes de bioinformàtica mitjançant l’ús d’algorismes, eines de programació i eines d’execució avançades.
- CA12 (Integrar recursos multidisciplinaris i treballar col·laborativament per al desenvolupament de fluxos de treball (workflows) d'anàlisi de dades biomoleculars.) Integrar recursos multidisciplinaris i treballar col·laborativament per al desenvolupament de fluxos de treball (workflows) d'anàlisi de dades biomoleculars.
- CA13 (Comunicar des del punt de vista de la bioinformàtica clara, oral i escrita, resultats complexos de l’anàlisi bioinformàtica basada en dades massives, en anglès tècnic.) Comunicar des del punt de vista de la bioinformàtica clara, oral i escrita, resultats complexos de l’anàlisi bioinformàtica basada en dades massives, en anglès tècnic.
- KA13 (Descriure les característiques principals de les arquitectures de computació modernes i el seu impacte en el rendiment de les aplicacions bioinformàtiques.) Descriure les característiques principals de les arquitectures de computació modernes i el seu impacte en el rendiment de les aplicacions bioinformàtiques.
- KA14 (Descriure els fonaments estadístics i computacionals, inclosos la teoria de grafs i els principis de l’aprenentatge automàtic, aplicables a l’anàlisi de dades biomoleculars massives.) Descriure els fonaments estadístics i computacionals, inclosos la teoria de grafs i els principis de l’aprenentatge automàtic, aplicables a l’anàlisi de dades biomoleculars massives.
- KA15 (Explicar els principis d’enginyeria del rendiment i les eines que permeten optimitzar l’execució i la reproductibilitat dels processos d’anàlisi bioinformàtica.) Explicar els principis d’enginyeria del rendiment i les eines que permeten optimitzar l’execució i la reproductibilitat dels processos d’anàlisi bioinformàtica.
- SA14 (Emprar models de programació avançada, incloent-hi tècniques de paral·lelització, per resoldre problemes bioinformàtics complexos.) Emprar models de programació avançada, incloent-hi tècniques de paral·lelització, per resoldre problemes bioinformàtics complexos.
- SA15 (Emprar eines i plataformes computacionals per desenvolupar i documentar fluxos de treball (workflows) bioinformàtics reproduïbles i escalables.) Emprar eines i plataformes computacionals per desenvolupar i documentar fluxos de treball (workflows) bioinformàtics reproduïbles i escalables.
- SA16 (Aplicar tècniques d'anàlisi estadística i d’aprenentatge automàtica (machine learning) a la classificació i agrupament de dades biomoleculars.) Aplicar tècniques d'anàlisi estadística i d’aprenentatge automàtica (machine learning) a la classificació i agrupament de dades biomoleculars.
Continguts
Arquitectura Moderna d'Ordinadors
- Sistemes de clúster
- Sistema Middleware i marcs de programació
Models de Programació Avançats
- Shell scripting avançat
- Usant eines del sistema per a anàlisis bioinformàtics
- Computació d'Altes Prestacions amb Python
Anàlisi de Big Data
- Teoria i eines d’estadística avançades en anàlisi de Big Data (reducció de dimensionalitat, selecció de variables i Spark)
- Teoria i algoritmes d’aprenentatge de màquines. Aplicacions en Bioinformàtica
- Modelat predictiu: mineria de dades, avaluació i validació de models
- Classificació de dades: aprenentatge de Bayes ingenu i arbres de decisió
- Aprenentatge de regles d'associació
- Anàlisi de clusterització: algoritme k-means
- Teoria de grafs per Big Data
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Resolució de problemes a classe i tasques al laboratori biocomputacional | 32 | 1,28 | |
| Estudi autònom individual | 226 | 9,04 | |
| Classes teòriques | 38 | 1,52 |
Seguint una aproximació basada en problemes, l'alumnat aprendrà sobre algorismes, mètodes i plataformes computacionals eficients i els mètodes estadístics que s'aplicaran als problemes de bioinformàtica que tracten amb Big Data.
L'assistència a les sessions de classe és obligatòria.
En aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Treballs fets i presentats per l'alumnat (portafoli de l'estudiant) | 100% | 4 | 0,16 | CA11, CA12, CA13, KA13, KA14, KA15, SA14, SA15, SA16 |
El sistema d'avaluació està organitzaten base al portafoli de l'estudiant.
Activitats d'avaluació principals
- Portafoli de l'estudiant (100%): treballs fet i presentats per l'alumnat al llarg del curs. Cap de les activitats d’avaluació individuals representarà més del 50% de la nota final. Per a l'avaluació de les activitats cal haver assistit regularment a totes els sessions de classe.
En cas que el professorat ho cregui convenient, es podrà fer una prova oral per validar l'autoria de qualsevol de les proves d'avaluació
No avaluable
L'alumnat serà qualificat com a \"No avaluable\" quan el pes de l'avaluació en què ha participat sigui inferior a l’equivalent al 25% de la nota final del mòdul.
Matricules d’honor (MH)
Atorgar una qualificació de matrícula d’honor és decisió del professorat responsable de l’assignatura. La normativa de la UAB indica que les MH només es podran concedir a estudiants que hagin obtingut una qualificació final igual o superior a 9.00. Es pot atorgar fins a un 5% de MH del total d'estudiants matriculats. En el cas que el nombre d’estudiants amb nota superior o igual a 9 siguin més del 5% del total de matriculats, el professorat responsable prioritzarà en funció del rendiment global dels estudiats en totes les parts de l'assignatura.
Avaluació única
Aquesta assignatura/mòdul no preveu el sistema d’avaluació única.
Irregularitats
La realització de qualsevol irregularitat en un acte d’avaluació (frau acadèmic, plagi o ús indegut de la IA, tret que aquest ús estigui autoritzat expressament a la guia docent), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l’assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d’avaluació o que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura és 0. Al marge d’això, es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats.
Bibliografia
El professorat recomanarà la bibliografia actualitzada a cada sessió d'aquest mòdul, i els enllaços estaran disponibles a l’Àrea de l'Estudiant del lloc web oficial del MSc Bioinformatics
Programari
Linux + SLURM i altres eines de l'entorn Linux
Python i eines del seu ecosistema
R i eines del seu ecosistema
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TEm) Teoria (màster) | 1 | Anglès | primer quadrimestre | matí-mixt |
| (PLABm) Pràctiques de laboratori (màster) | 1 | Anglès | primer quadrimestre | matí-mixt |