Computació d'Altes Prestacions i Anàlisi de Big Data
Codi: 43917 Crèdits: 12| Titulació | Tipus | Curs | Semestre |
|---|---|---|---|
| 4313473 Bioinformàtica / Bioinformatics | OT | 0 | 1 |
Professor/a de contacte
- Nom:
- Miquel Àngel Senar Rosell
- Correu electrònic:
- MiquelAngel.Senar@uab.cat
Utilització d'idiomes a l'assignatura
- Llengua vehicular majoritària:
- anglès (eng)
Equip docent
- Juan Carlos Moure Lopez
- Santiago Marco Sola
Equip docent extern a la UAB
- Emanuele Raineri
- Oscar Lao
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 pretén proporcionar als estudiants els coneixements i habilitats necessàries (1) per implementar aproximacions d’enginyeria de rendiment a les plataformes d’informàtica modernes i (2) per realitzar anàlisis estadístiques de Big Data.
Competències
- Comunicar en llengua anglesa de manera clara i efectiva els resultats de les pròpies investigacions.
- Dissenyar i aplicar la metodologia científica en la resolució de problemes.
- Proposar solucions bioinformàtiques a problemes derivats de les recerques òmiques.
- Proposar solucions innovadores i emprenedores en el seu camp d'estudi.
- Tenir coneixements que aportin la base o l'oportunitat de ser originals en el desenvolupament o l'aplicació d'idees, sovint en un context de recerca.
- Utilitzar i gestionar informació bibliogràfica i recursos informàtics en l'àmbit d'estudi.
- Utilitzar sistemes operatius, programes i eines d'ús comú en bioinformàtica, i fer servir plataformes de còmput d'altes prestacions, llenguatges de programació i anàlisis bioinformàtiques.
Resultats d'aprenentatge
- Aplicar mètodes estadístics avançats (aprenentatge automàtic, teoria de grafs) per modelar i analitzar problemes bioinformàtics amb dades biològiques massives.
- Aprendre a entrenar, avaluar i validar models predictius.
- Aprendre a fer servir les noves plataformes de còmput paral·lel, paradigmes, i el disseny d'aplicacions que requereixen un maneig massiu de còmput i dades.
- Aprendre noves maneres de modelar, emmagatzemar, recuperar i analitzar tipus de dades abstractes (grafs).
- Comunicar en llengua anglesa de manera clara i efectiva els resultats de les pròpies investigacions.
- Conèixer els principis de la paral·lelització de processos.
- Conèixer els principis de l’emmagatzemament i la gestió de dades massives.
- Conèixer i aprendre a utilitzar eines de codi font obert per a l’anàlisi paral·lela, distribuïda i escalable mitjançant aprenentatge automàtic.
- Descriure el funcionament, les característiques i les limitacions de les tècniques, les eines i les metodologies que permeten descriure, analitzar i interpretar l'enorme quantitat de dades produïdes per les tecnologies d'alt rendiment.
- Descriure i aplicar tècniques de clusterització (clustering) i algoritmes de classificació comuns
- Dissenyar i aplicar la metodologia científica en la resolució de problemes.
- Generar algoritmes de computació paral·lela eficients i aplicacions per a la CID
- Proporcionar solucions paral·leles a problemes bioinformàtics concrets.
- Proposar solucions innovadores i emprenedores en el seu camp d'estudi.
- Tenir coneixements que aportin la base o l'oportunitat de ser originals en el desenvolupament o l'aplicació d'idees, sovint en un context de recerca.
- Utilitzar i gestionar informació bibliogràfica i recursos informàtics en l'àmbit d'estudi.
Continguts
Arquitectura Moderna d'Ordinadors
- Arquitectura de processadors de finalitat general i especialitzada
- Jerarquia de memòria
- Sistemes de clúster
- Infraestructures del núvol i virtualització de sistemes
- Sistema Middleware i marcs de programació
Models de Programació Avançats
- Memòria compartida i programació paral·lela distribuïda
- Shell scripting avançat
- Usant eines del sistema per a anàlisis bioinformàtics
- Principis de l'enginyeria de rendiment (eines i mètodes)
- Computació d'Altes Prestacions amb Python
- Enginyeria de rendiment aplicada a algorismes i eines comunes de bioinformàtica (indexació del genoma, alineament de reads, ...).
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
*Llevat que les restriccions imposades per les autoritats sanitàries obliguin a una priorització o reducció d’aquests continguts.
Metodologia
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.
*La metodologia docent proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
Activitats formatives
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Classes teòriques | 38 | 1,52 | 1, 2, 3, 4, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16 |
| Resolució de problemes a classe i tasques al laboratori biocomputacional | 32 | 1,28 | 1, 2, 3, 4, 6, 7, 8, 9, 10, 12, 13, 15 |
| Tipus: Autònomes | |||
| Estudi autònom individual | 226 | 9,04 | 1, 2, 3, 4, 6, 7, 8, 9, 10, 11, 12, 14, 16 |
Avaluació
El sistema d'avaluació està organitzat en dues activitats principals. Hi haurà, a més, un examen de recuperació. Els detalls de les activitats són:
Activitats d'avaluació principals
- Portafoli de l'estudiant (60%): treballs fet i presentats per l'alumne al llarg del curs. Cap de les activitats d’avaluació individuals representarà més del 50% de la nota final.
- Prova teòrica i pràctica individual (40%): hi haurà un examen al final d'aquest mòdul.
Examen de recuperació
Per poder participar en el procés de recuperació, l'alumne haurà d’haver participat prèviament en com a mínim l'equivalent a dos terços de la nota final del mòdul en activitats d'avaluació. El professorat informarà dels procediments i terminis per al procés de recuperació.
No avaluable
L'alumne serà qualificat com a "No avaluable" quan el pes de l'avaluació en què ha participat sigui inferior a l’equivalent al 67% de la nota final del mòdul.
*L’avaluació proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
Activitats d'avaluació
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Prova teòrica i pràctica individual | 40% | 4 | 0,16 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15 |
| Treballs fet i presentats per l'alumnat (portafoli de l'estudiant) | 60% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16 |
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