IA y aprendizaje automático

Detalles de la asignatura

Esta asignatura proporciona una introducción práctica a los fundamentos de la inteligencia artificial (IA) y el aprendizaje automático (Machine Learning), con especial énfasis en sus aplicaciones en bioinformática y medicina de precisión. El alumnado adquirirá los conceptos, algoritmos y metodologías más utilizados para el análisis de datos biomédicos, abarcando desde técnicas de aprendizaje supervisado y no supervisado hasta modelos de aprendizaje profundo. A lo largo de la asignatura se utilizarán herramientas y librerías de referencia en Python para desarrollar, entrenar, validar e interpretar modelos aplicados a problemas reales. Asimismo, se abordarán aspectos clave como la preparación y calidad de los datos, la evaluación del rendimiento de los modelos, su interpretabilidad, reproducibilidad, así como los sesgos y las consideraciones éticas asociadas al uso de la IA en investigación biomédica y práctica clínica.

Coordinación

Daniel González Peña

(Universidad de Vigo)

Catedrático de Universidad en el Departamento de Informática de la Universidade de Vigo (UVigo).
Ingeniero informático y experto en inteligencia artificial y bioinformática. Doctor por la UVigo, desarrolla su actividad investigadora en la aplicación de técnicas de inteligencia artificial, aprendizaje automático y análisis de datos biomédicos para el estudio de problemas complejos en biomedicina. Su investigación combina el desarrollo de nuevas metodologías computacionales con la colaboración en proyectos multidisciplinares de transferencia tecnológica y ciencia de datos aplicada a la salud.
Desde 2010 imparte docencia en la Escuela Superior de Ingeniería Informática de la UVigo, participando en asignaturas relacionadas con la programación, la IA y el diseño de arquitecturas de software.

Programa

Tema 1

Fundamentos de Inteligencia Artificial y aprendizaje automático

Introducción a la Inteligencia Artificial y al aprendizaje automático. Flujo de trabajo en proyectos de Machine Learning. Preparación y preprocesamiento de datos. Entrenamiento, validación y evaluación de modelos. Métricas de rendimiento, validación cruzada, regularización y prevención del sobreajuste.

Tema 2

Aprendizaje Automático aplicado a la Bioinformática

Tipos de aprendizaje (supervisado, no supervisado y por refuerzo); flujo de trabajo; sobreajuste; selección de características; métricas de evaluación y comparación de clasificadores. 

Algoritmos: naïve bayes; basados en instancias; árboles de decisión; algoritmos lineales.

Tema 3

Deep Learning para datos biomédicos

Redes neuronales convolucionales para procesamiento de imagen. Transformers para el procesamiento del lenguaje natural.

Tema 4

Desarrollo de pipelines de aprendizaje supervisado

Scikit-learn. Selección y validación de modelos con GridSearchCV.