Aviso importante
La guía docente es provisional.
La versión en PDF de la guía docente puede tardar unos días en estar disponible en el DDD.
Computación de Altas Prestaciones y Análisis de Big Data
Código: 43917Créditos: 12
| Titulación | Tipo | Curso |
|---|---|---|
| Bioinformática / Bioinformatics | OP | 1 |
Profesor/a de contacto
- Nombre :
- Miquel Àngel Senar Rosell
- Correo electrónico :
- miquelangel.senar@uab.cat
Equipo docente
- Oscar Lao Grueso
- Emanuele Raineri
Equipo docente (externo a la UAB)
- Sandra Méndez
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Para cursar esta asignatura deben haberse superado previamente los dos módulos obligatorios: Programming in Bioinformatics y Core Bioinformatics.
Se recomienda disponer del nivel B2 (o equivalente) de inglés.
Objetivos
Este módulo tiene como objetivo proporcionar a los estudiantes los conocimientos y habilidades necesarios para (1) desarrollar aplicaciones informáticas robustas y escalables para solucionar problemas bioinformáticos mediante el uso combinado de herramientas de middleware generales y herramientas bioinformáticas específicas; (2) aplicar métodos de programación avanzados en Python dentro del ámbito de la bioinformática y (3) realizar análisis estadísticos avanzados de Big Data.
Resultados de aprendizaje
- CA11 (Diseñar soluciones computacionales eficientes a problemas de bioinformática mediante el uso de algoritmos, herramientas de programación y herramientas de ejecución avanzadas.) Diseñar soluciones computacionales eficientes a problemas de bioinformática mediante el uso de algoritmos, herramientas de programación y herramientas de ejecución avanzadas.
- CA12 (Integrar recursos multidisciplinares trabajando colaborativamente para el desarrollo de “workflows” de análisis de datos biomoleculares.) Integrar recursos multidisciplinares trabajando colaborativamente para el desarrollo de “workflows” de análisis de datos biomoleculares.
- CA13 (Comunicar de forma clara, oral y escrita, resultados complejos del análisis bioinformático basado en datos masivos, en inglés técnico.) Comunicar de forma clara, oral y escrita, resultados complejos del análisis bioinformático basado en datos masivos, en inglés técnico.
- KA13 (Describir las características principales de las arquitecturas de computación modernas y su impacto en el rendimiento de las aplicaciones bioinformáticas.) Describir las características principales de las arquitecturas de computación modernas y su impacto en el rendimiento de las aplicaciones bioinformáticas.
- KA14 (Describir los fundamentos estadísticos y computacionales, incluidos la teoría de grafos y los principios del aprendizaje automático, aplicables al análisis de datos biomoleculares masivos.) Describir los fundamentos estadísticos y computacionales, incluidos la teoría de grafos y los principios del aprendizaje automático, aplicables al análisis de datos biomoleculares masivos.
- KA15 (Explicar los principios de ingeniería del rendimiento y las herramientas que permiten optimizar la ejecución y reproducibilidad de los procesos de análisis bioinformático.) Explicar los principios de ingeniería del rendimiento y las herramientas que permiten optimizar la ejecución y reproducibilidad de los procesos de análisis bioinformático.
- SA14 (Emplear modelos de programación avanzada, incluyendo técnicas de paralelización, para resolver problemas bioinformáticos complejos.) Emplear modelos de programación avanzada, incluyendo técnicas de paralelización, para resolver problemas bioinformáticos complejos.
- SA15 (Emplear herramientas y plataformas computacionales para desarrollar y documentar workflows bioinformáticos reproducibles y escalables.) Emplear herramientas y plataformas computacionales para desarrollar y documentar workflows bioinformáticos reproducibles y escalables.
- SA16 (Aplicar técnicas de análisis estadístico y de “machine learning” a la clasificación y agrupamiento de datos biomoleculares.) Aplicar técnicas de análisis estadístico y de “machine learning” a la clasificación y agrupamiento de datos biomoleculares.
Contenidos
Arquitectura Moderna de Ordenadores
- Sistemas de clúster
- Sistema Middleware y marcos de programación
Modelos de Programación Avanzada
- Usando herramientas del sistemas para análisis bioinformáticos
- Shell scripting avanzado
- Computación de Altas Prestaciones con Python
Análisis de Big Data
- Teoría y herramientas de estadística avanzada en análisis de Big Data (reducción de dimensionalidad, selección de variables y Spark)
- Teoría y algoritmos de machine learning. Aplicaciones en bioinformática
- Modelado predictivo: minería de datos, evaluación y validación de modelos
- Clasificación de datos: aprendizaje de Bayes ingenuo y árboles de decisión
- Aprendizaje de reglas de associación
- Análisis de clusterización: algoritmo k-means
- Teoría de grafos para Big Data
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Resolución de problemas en clase y tareas en el laboratorio biocomputacional | 32 | 1,28 | |
| Estudio autónomo individual | 226 | 9,04 | |
| Clases teóricas | 38 | 1,52 |
Siguiendo una aproximación basada en problemas, el alumnado aprenderá sobre algoritmos, métodos y plataformas computacionales eficientes y los métodos estadísticos que se aplicarán a los desafiantes problemas de bioinformática que tratan con Big Data.
La asistencia a las clases es obligatoria.
En esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integral del desarrollo del trabajo siempre que el resultado final refleje una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas usadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y el resultado final de la actividad. La no transparencia en el uso de la IA se considerará falta de honestidad académica y puede comportar una penalización en la nota de la actividad o sanciones mayores en casos de gravedad.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Trabajos hechos y presentados por el alumnado (portafolio del estudiante) | 100% | 4 | 0,16 | CA11, CA12, CA13, KA13, KA14, KA15, SA14, SA15, SA16 |
El sistema de evaluación está organizado en base al portafolio del estudiante.
Actividades de evaluación principales
- Portafolio del estudiante (60%): trabajos realizados y presentados por el alumnado a lo largo del curso. Ninguna de las actividades de evaluación individuales representará más del 50% de la nota final. Para la evaluación de las actividades es necesario haber asistido regularmente a todas las sesiones de clase.
En caso de que el profesorado lo considere conveniente, se podrá realizar una prueba oral para validar la autoría de cualquiera de las pruebas de evaluación.
No evaluable
El alumnado será calificado como “No evaluable” cuando el peso de la evaluación en la que ha participado sea inferior al equivalente al 25% de la nota final del módulo.
Matrículas de honor (MH)
Otorgar una calificación de matrícula de honor es decisión del profesorado responsable de la asignatura. La normativa de la UAB indica que las MH solo se podrán conceder a estudiantes que hayan obtenido una calificación final igual o superior a 9.00. Se puede otorgar hasta un 5% de MH del total de estudiantes matriculados. En el caso de que el número de estudiantes con nota superior o igual a 9 sea más del 5% del total de matriculados, el profesorado responsable priorizará en función del rendimiento global de los estudiantes en todas las partes de la asignatura.
Evaluación única
Esta asignatura/módulo no contempla el sistema de evaluación única.
Irrregularidades
La realización de cualquier irregularidad en un acto de evaluación (fraude académico, plagio o uso indebido de la IA, salvo que este uso esté autorizado expresamente a la guía docente), que pueda conducir a una variación significativa de la calificación, supone que este acto se calificará con un 0. En caso de que la guía docente prevea que para superar la asignatura sea requisito imprescindible haber obtenido una nota mínima en este acto de evaluación o que se produzcan varias irregularidades en los actos de evaluación de una misma asignatura, la calificación final de esta asignatura es 0. Al margen de esto, se podrá instruir un proceso disciplinario al estudiante que incurra en alguna de estas irregularidades.
Bibliografía
El profesorado recomendará la bibliografía actualizada en cada sesión de este módulo, y los enlaces se pondrán a disposición en el Área del Estudiante del sitio web oficial de MSc Bioinformatics.
Software
Linux + SLURM y otras herramientas del entorno Linux
Python y herramientas de su ecosistema
R y herramientas de su ecosistema
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TEm) Teoría (máster) | 1 | Inglés | primer cuatrimestre | manaña-mixto |
| (PLABm) Prácticas de laboratorio (máster) | 1 | Inglés | primer cuatrimestre | manaña-mixto |