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.
Aprendizaje Profundo y Diseño Experimental
Código: 45026Créditos: 20
| Titulación | Tipo | Curso |
|---|---|---|
| Erasmus Mundus Master in Human Disease Models Morphological Phenotyping | OB | 1 |
Profesor/a de contacto
- Nombre :
- Jesús Ruberte Paris
- Correo electrónico :
- jesus.ruberte@uab.cat
Equipo docente
- Jesús Ruberte Paris
Equipo docente (externo a la UAB)
- Anastasios Delopoulos
- Anastasia Tsingotjidou - Contact Person (astsing2014@gmail.com)
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
No hay prerrequisitos.
Objetivos
- Comprender los principios fundamentales y la terminología del machine learning (aprendizaje automático), incluido el deep learning.
- Saber utilizar arquitecturas de aprendizaje automático en problemas reales incluyendo detección y reconocimiento de patrones sobre imágenes y señales 1D, diagnóstico, decisiones.
- Saber evaluar el rendimiento de los métodos de aprendizaje automático utilizando las métricas adecuadas (recall, precision, F1 score, AUC, etc.)
- Saber cómo ejecutar experimentos basados en el aprendizaje automático, incluidas las buenas prácticas en la recopilación de datos, el entrenamiento y la evaluación del rendimiento de los métodos de aprendizaje automático.
- Saber utilizar máquinas herramienta establecidas
- Obtener experiencia práctica aplicando el aprendizaje automático a los datos relacionados con la anatomía y la patología del ratón.
- Comprender las cuestiones éticas en la experimentación de laboratorio con ratones para seguir los principios de las 3R.
- Comprender las pautas de ARRIVE para aumentar la reproducibilidad en la investigación con ratones.
- Integrar metodologías de imágenes y aprendizaje automático con patología.
Resultados de aprendizaje
- CM04 (Ser capaz de evaluar el rendimiento de los métodos de deep learning.) Ser capaz de evaluar el rendimiento de los métodos de deep learning.
- CM05 (Ser capaz de realizar un diseño experimental válido con ratones.) Ser capaz de realizar un diseño experimental válido con ratones.
- KM11 (Comprender los principios fundamentales del deep Learning.) Comprender los principios fundamentales del deep Learning.
- KM12 (Reconocer las principales herramientas establecidas en deep learning.) Reconocer las principales herramientas establecidas en deep learning.
- KM13 (Comprender los aspectos éticos (3Rs) en la experimentación animal.) Comprender los aspectos éticos (3Rs) en la experimentación animal.
- KM14 (Identificar los aspectos cuantitativos y ARRIVE relacionados con la reproducibilidad en la experimentación animal.) Identificar los aspectos cuantitativos y ARRIVE relacionados con la reproducibilidad en la experimentación animal.
- SM06 (Usar la terminología en el campo de deep y machine learning de forma correcta.) Usar la terminología en el campo de deep y machine learning de forma correcta.
- SM07 (Utilizar arquitecturas de deep learning en problemas reales, incluyendo detección y reconocimiento de patrones sobre imágenes y señales 1D, diagnóstico y decisiones.) Utilizar arquitecturas de deep learning en problemas reales, incluyendo detección y reconocimiento de patrones sobre imágenes y señales 1D, diagnóstico y decisiones.
- SM08 (Usar las herramientas estadísticas para el análisis cuantitativo en los experimentos con ratones.) Usar las herramientas estadísticas para el análisis cuantitativo en los experimentos con ratones.
Contenidos
- Introducción al deep y machine learning
- Clasificadores y métricas para evaluación
- Algoritmos supervisados y no supervisados
- Redes neuronales convolucionales y recurrentes
- Metodologías para señales 1D y 2D: ventanas deslizantes, superpíxeles, transmisión de datos y transformación de imágenes completas
- Metodologías para realizar experimentos de aprendizaje profundo
- Diseño experimental con ratón: comparación cuantitativa, ARRIVE y 3Rs
- Opcional: curso de idioma (griego)
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Proyectos de casos | 66 | 2,64 | SM06, SM07, SM08 |
| Estudio autónomo | 217 | 8,68 | CM04, CM05 |
| Clases magistrales | 175 | 7 | |
| Prácticas de laboratorio | 32 | 1,28 | KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
La metodología utilizada en el proceso de enseñanza y aprendizaje de este módulo se basa en que el estudiante trabaje la información que se le pone a su alcance a través de las clases magistrales, prácticas y de proyectos de casos.
• Clases magistrales: Por medio de las clases magistrales el estudiante adquiere los conocimientos científicos propios de la disciplina, que tendrá que completar con el estudio personal y autónomo de los temas explicados.
• Prácticas de laboratorio: Las clases prácticas completan y permiten aplicar los conocimientos adquiridos en las clases magistrales. A las clases practicas el estudiante se adiestrará en el analisis bioinformático y R, así como en la realización de proyectos específicos.
• Proyectos de casos: Estudios de casos prácticos asignados a cada estudiante y supervisados por los profesores.
El material docente utilizado en la asignatura estará disponible en la plataforma Moodle
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Proyectos de casos | 87,5 | 6 | 0,24 | CM04, CM05, SM06, SM07, SM08 |
| Exámenes teóricos | 12,5 | 4 | 0,16 | KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
La evaluación del módulo “Aprendizaje profundo y diseño experimental” se realizará de forma continuada, a lo largo de todo el módulo, para incentivar el esfuerzo constante durante el proceso de aprendizaje y verificando que se logren las competencias del módulo.
A continuación se describe la evaluación de cada uno de los 5 submódulos:
Submódulo 3.1 - Diseño experimental y análisis de datos de experimentos con animales
- Proyecto práctico: 100%
Submódulo 3.2 - Introducción a la Biología de Sistemas. Imagen de la ómica en células individuales
- Exámenes teóricos de tipo test (2 en total, uno por cada apartado del submódulo): 40%
- Ejercicios prácticos de evaluación (2 en total, uno por cada apartado del submódulo): 20%
- Proyecto práctico (2 en total, uno por cada apartado del submódulo): 40%
Submódulo 3.3 - Inteligencia artificial y diagnóstico médico. Sistemas de Apoyo a la toma de decisiones
- Proyecto práctico: 100%
Submódulo 3.4 – Machine learning en el análisis de datos en biomedicina
- Proyecto práctico: 60%
- Examen final (teoría y solución de problemas): 40%
Submódulo 3.5 – Experiencia práctica en Deep learning
- Varios proyectos prácticos: 100%
El peso aditivo de los submódulos 3.1 y 3.2 es de 5 ECTS, mientras que el peso total de los submódulos 3.3, 3.4 y 3.5 en su conjunto es de15 ECTS.
Se superará el módulo con una nota final de 5 o superior, después de realizar el promedio de las diferentes partes.
Bibliografía
Bishop, Christopher M, Nasrabadi NM, Pattern recognition and machine learning. Vol. 4. No. 4. 2006, Springer: New York.
Dey N, et al., eds. Machine learning in bio-signal analysis and diagnostic imaging. 2018, Academic Press.
Ghouila A, Tsagiopoulou M, Mpangase PT, Hazelhurst S, Psomopoulos FE. ELIXIR / CODATA-RDA Research Data Science Advanced Workshop on Bioinformatics (Version v1.0.0). 2019, Zenodo.
Goodfellow I, Bengio Y, Courville A, Deep learning. 2016, MIT press. (Available Online: https://www.deeplearningbook.org/)
Greener JG, et al. A guide to machine learning for biologists. 2022, Nature Reviews Molecular Cell Biology 23.1: 40-55.
Krishnan S, Kesavan R, Surendiran B, Mahalakshmi GS, eds. Handbook of artificial intelligence in biomedical engineering. 2021, Apple Academic Press Inc.
Russell SJ and Norvig P. Artificial Intelligence: A Modern Approach. 2010, Prentice Hall (Third Edition).
Software
InVivoStat, SPSS, Galaxy, R y RStudio, Python y Google Collab
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