Aprenentatge Profund i Disseny Experimental
Codi: 45026 Crèdits: 20| Titulació | Tipus | Curs | Semestre |
|---|---|---|---|
| 3500042 Erasmus Mundus en Fenotipat Morfològic de Models de Malalties Humanes | OB | 0 | 2 |
Professor/a de contacte
- Nom:
- Jesus Ruberte Paris
- Correu electrònic:
- jesus.ruberte@uab.cat
Idiomes dels grups
Podeu accedir-hi des d'aquest enllaç. Per consultar l'idioma us caldrà introduir el CODI de l'assignatura. Tingueu en compte que la informació és provisional fins a 30 de novembre de 2023.
Equip docent
- Jesus Ruberte Paris
Equip docent extern a la UAB
- Anastasia Tsingotjidou - Contact Person (astsing2014@gmail.com)
- Anastasios Delopoulos
Prerequisits
No hi ha prerequisits.
Objectius
- Comprendre els principis fonamentals i la terminologia del machine learning (aprenentatge automàtic), inclòs el deep learning.
- Saber utilitzar les arquitectures d'aprenentatge automàtic en problemes reals incloent la detecció i reconèixer patrons en imatges i senyals 1D, diagnòstic, decisions.
- Saber avaluar el rendiment dels mètodes d'aprenentatge automàtic mitjançant les mètriques adequades (record, precisió, puntuació F1, AUC, etc.)
- Saber com executar experiments basats en aprenentatge automàtic, incloses bones pràctiques en la recollida de dades, la formació i l'avaluació del rendiment dels mètodes d'aprenentatge automàtic
- Saber utilitzar les màquines-eina consolidades
- Adquirir experiència pràctica aplicant l'aprenentatge automàtic a dades relacionades amb l'anatomia i la patologia del ratolí
- Comprendre els problemes ètics de l'experimentació de laboratori amb ratolins per seguir els principis de les 3R.
- Conèixer les directrius ARRIVE per augmentar la reproductibilitat en la recerca amb ratolí.
- Integrar les metodologies d'imatge i aprenentatge automàtic amb la patologia
Resultats d'aprenentatge
- CM04 (Competència) Ser capaç d'avaluar el rendiment dels mètodes de deep learning.
- CM05 (Competència) Ser capaç de fer un disseny experimental vàlid amb ratolins.
- KM11 (Coneixement) Comprendre els principis fonamentals del deep learning.
- KM12 (Coneixement) Reconèixer les eines principals establertes en deep learning.
- KM13 (Coneixement) Comprendre els asprectes ètics (3R) en l'experimentació animal.
- KM14 (Coneixement) Identificar els aspectes quantitatius i ARRIVE relacionats amb la reproductibilitat en l'experimentació animal.
- SM06 (Habilitat) Fer servir la terminologia dels camps de deep i machine learning de forma correcta.
- SM07 (Habilitat) Utilitzar arquitectures d'aprenentatge profund amb problemes reals, incloent-hi la detecció i reconeixement de patrons sobre imatges i senyals 1D, el diagnòstic i les decisions.
- SM08 (Habilitat) Fer servir les eines estadístiques per a l'anàlisi quantitatiu en els experiments amb ratolins.
Continguts
- Introducció al deep i machine learning
- Classificadors i mètriques per a l'avaluació
- Algorismes supervisats i no supervisats
- Xarxes neuronals convolucionals i recurrents
- Metodologies per a senyals 1D i 2D: finestres lliscants, super-píxels, dades en streaming i transformació d'imatges senceres
- Metodologies per a la realització d'experiments d'aprenentatge profund
- Disseny experimental amb ratolí: comparació quantitativa, ARRIVE i 3Rs
- Opcional: curs d'idiomes (grec)
Metodologia
La metodologia utilitzada en el procés d'ensenyament i aprenentatge d'aquest mòdul es basa que l'estudiant treballi la informació que se li posa a l'abast a través de les classes magistrals, pràctiques i projectes asignats.
• Classes magistrals: Mitjançant les classes magistrals l'estudiant adquireix els coneixements científics propis de la disciplina, que haurà de completar amb l'estudi personal i autònom dels temes explicats.
• Pràctiques laboratori: Les classes pràctiques apropen els models teòrics a la realitat i reforcen, completen i permeten aplicar els coneixements adquirits a les classes magistrals. A les classes pràctiques l'estudiant s'adiestrarà a l'anàlisi bioinformàtic i R, així com a la realització de projectes específics.
• Projectes de casos: Estudis de casos pràctics assignats a cada estudiant i supervisats pels professors.
El material docent utilitzat a la assignatura estarà disponible a la plataforma Moodle.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Activitats formatives
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Classes magistrals | 175 | 7 | CM04, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
| Pràctiques de laboratori | 32 | 1,28 | CM04, CM05, KM13, KM14, SM06, SM07, SM08 |
| Tipus: Supervisades | |||
| Projectes de casos | 66 | 2,64 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
| Tipus: Autònomes | |||
| Estudi autònom | 217 | 8,68 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
Avaluació
L’avaluació del mòdul “Aprenentatge profund i disseny experimental” es realitzarà de manera continuada, al llarg de tot el mòdul, per a incentivar l’esforç constant durant el procés d’aprenentatge i verificant que s’assoleixin les competències del mòdul.
A continuació es descriu l’avaluació de cada un dels 5 submòduls:
Submòdul 3.1 – Disseny experimental i anàlisi de dades d’experiments amb animals
- Projecte pràctic: 100%
Submòdul 3.2 – Introducció a la Biologia de Sistemes. Imatge de l’òmica en cèl·lules individuals
- Exàmens teòrics de tipus test (2 en total, un per cada apartat del submòdul): 40%
- Exercicis pràctics d’avaluació (2 en total, un per cada apartat del submòdul): 20%
- Projecte pràctic (2 en total, un per cada apartat del submòdul): 40%
Submòdul 3.3 – Intel·ligència artificial i diagnòstic mèdic. Sistemes de Suport a la presa de decisions
- Projecte pràctic: 100%
Submòdul 3.4 – Machine learning en l’anàlisi de dades en biomedicina
- Projecte pràctic: 60%
- Examen final (teoria i solució de problemes): 40%
Submòdul 3.5 – Experiència pràctica en Deep learning
- Diversos projectes pràctics: 100%
El pes additiu dels submòduls 3.1 i 3.2 és de 5 ECTS, mentre que el pes total dels submòduls 3.3, 3.4 i 3.5 en conjunt és de 15 ECTS.
Se superarà el mòdul amb una nota final de 5 o superior, després de fer la mitjana de les diferents parts.
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Exàmens teòrics | 12,5 | 4 | 0,16 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
| Projectes de casos | 87,5 | 6 | 0,24 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
Bibliografia
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).
Programari
InVivoStat, SPSS, Galaxy, R i RStudio, Python i Google Collab