Aprendizaje Profundo y Diseño Experimental
Código: 45026 Créditos ECTS: 20| Titulación | Tipo | Curso | Semestre |
|---|---|---|---|
| 3500042 Erasmus Mundus en Fenotipado Morfológico de Modelos de Enfermedades Humanas | OB | 0 | 2 |
Contacto
- Nombre:
- Jesus Ruberte Paris
- Correo electrónico:
- jesus.ruberte@uab.cat
Idiomas de los grupos
Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.
Equipo docente
- Jesus Ruberte Paris
Equipo docente externo a la UAB
- Anastasia Tsingotjidou - Contact Person (astsing2014@gmail.com)
- Anastasios Delopoulos
Prerrequisitos
No hay prerrequisitos.
Objetivos y contextualización
- 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 (Competencia) Ser capaz de evaluar el rendimiento de los métodos de deep learning.
- CM05 (Competencia) Ser capaz de realizar un diseño experimental válido con ratones.
- KM11 (Conocimiento) Comprender los principios fundamentales del deep Learning.
- KM12 (Conocimiento) Reconocer las principales herramientas establecidas en deep learning.
- KM13 (Conocimiento) Comprender los aspectos éticos (3Rs) en la experimentación animal.
- KM14 (Conocimiento) Identificar los aspectos cuantitativos y ARRIVE relacionados con la reproducibilidad en la experimentación animal.
- SM06 (Habilidad) Usar la terminología en el campo de deep y machine learning de forma correcta.
- SM07 (Habilidad) Utilizar arquitecturas de deep learning en problemas reales, incluyendo detección y reconocimiento de patrones sobre imágenes y señales 1D, diagnóstico y decisiones.
- SM08 (Habilidad) Usar las herramientas estadísticas para el análisis cuantitativo en los experimentos con ratones.
Contenido
- 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)
Metodología
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
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Actividades
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Clases magistrales | 175 | 7 | CM04, KM11, KM12, KM13, KM14, SM06, SM07, SM08, CM04 |
| Prácticas de laboratorio | 32 | 1,28 | CM04, CM05, KM13, KM14, SM06, SM07, SM08, CM04 |
| Tipo: Supervisadas | |||
| Proyectos de casos | 66 | 2,64 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08, CM04 |
| Tipo: Autónomas | |||
| Estudio autónomo | 217 | 8,68 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08, CM04 |
Evaluación
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.
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Exámenes teóricos | 12,5 | 4 | 0,16 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
| Proyectos de casos | 87,5 | 6 | 0,24 | CM04, CM05, KM11, KM12, KM13, KM14, SM06, SM07, SM08 |
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