Course: MOOC Machine Learning y Big Data para la Bioinformática

MOOC Machine Learning y Big Data para la Bioinformática

Próximamente

0 students enrolled
1 topics

Descripción

La bioinformática es un campo de estudio interdisciplinar que utiliza las tecnologías de la información y de las ciencias de la computación para estudiar, analizar y extraer conocimiento útil a partir de la información recopilada desde distintas áreas de las Bio-Ciencias y Bio-Salud. Esto y mucho más lo veremos en el transcurso del MOOC.

Skip [Cocoon] Course Overview

La revolución digital que hemos experimentado en los últimos años ha permitido recopilar una gran cantidad de información desde distintas áreas de la Bio-Ciencia y la Bio-Salud. Esto ha provocado que la bioinformática se haya convertido en una de las áreas más emergentes para estudiar, analizar y extraer conocimiento útil de esta información haciendo uso de técnicas de las ciencias de la computación. Por ejemplo, estas técnicas permiten abrir nuevas fronteras en la ingeniería biomédica al mejorar nuestra comprensión sobre enfermedades complejas como el cáncer o los trastornos neurodegenerativos y psiquiátricos. Estos avances pueden conducir al desarrollo de herramientas que realicen un diagnóstico automatizado de los pacientes, permitiendo proporcionar tratamientos médicos personalizados que tengan en cuenta la variabilidad individual, el estilo de vida y el entorno de cada paciente. Al mismo tiempo permite, de una forma más rápida y eficaz, el desarrollo de nuevos fármacos y vacunas más eficaces. Sin embargo, la cantidad de información ha llegado a ser tan grande que es muy difícil analizarla mediante las tecnologías tradicionales. Esto ha provocado que en la actualidad las técnicas de la I.A. y Machine Learning hayan experimentado un notable impulso debido a su capacidad para obtener de forma automática conocimiento útil, realizar predicciones y ayudar a la toma de decisiones. En algunos casos, debido a que la cantidad de información ha llegado a ser enorme, conocido como Big Data, es incluso necesario la utilización de técnicas especiales que permitan tratar con esa cantidad masiva de datos.

En este MOOC queremos presentar una visión práctica y aplicada sobre las tareas relativas al Machine Learning y sus principales técnicas. Para ello, el curso esta dividido en 8 módulos en los que contaremos con más de 10 profesores, investigadores y especialistas en cada una de las áreas. Nuestra intención es proporcionar un aprendizaje fácil y sencillo, pero con todo el rigor científico sobre la Bioinformática y el Machine Learning sin necesidad de tener unos elevados conocimientos en un lenguaje de programación (Python). El curso se desarrollará a través de la plataforma de la universidad de Granada con enlaces directos a la plataforma Google Colaboratory que permitirá tener constancia de la actividad del alumno para una posterior evaluación y reconocimiento a través de insignias. Para ello se utilizarán materiales audio visuales, notebooks, recursos didácticos complementarios, testimonios de personas relevantes, actividades, y cuestionarios. Además, dispondremos de asistencia directa a través de la plataforma. De esta forma, ponemos a vuestra disposición un MOOC de abierta UGR para uno de los campos de mayor proyección en la actualidad.

Metodología

Basados en un modelo de aprendizaje social.
Metodología online y abierta las 24 horas.
Fomentar un aprendizaje autónomo con apoyos.
Equipo de tutores/as.
Apoyo de un equipo de dinamizadores/as.

Feedback continuo con el equipo docente.
Cuestionarios con respuestas múltiples.
Necesidad de superar cada módulo para continuar.
Sistema de insignias.
Opción de Certificado Oficial y créditos ETCS.

Skip [Cocoon] Accordion

Programación del curso

1.1.- ¿Qué, para qué y cómo?

1.2.- Aplicaciones en Bio-Ciencias y Bio-Salud

1.3.- Medicina de precisión (Bioinformática para la interpretación genómica del cáncer)

2.1.- El problema: ¿Cómo obtener y preparar los datos?

2.2.- Preprocesamiento y análisis exploratorio

2.3.- Análisis funcional

3.1.- ¿Qué, cómo y por qué?

3.2.- Aprendizaje Supervisado

3.3.- Aprendizaje No Supervisado

4.1.- Regresión: ¿Qué, para qué y cómo?

4.2.- Métodos clásicos de regresión

4.3.- Métodos de Machine Learning para regresión

5.1.- Clasificación: ¿Qué, para qué y cómo?

5.2.- Métodos estándar en clasificación

5.3.- Métodos avanzados en clasificación

6.1.- Clustering y Reglas de Asociación: ¿Qué, para qué y cómo?

6.2.- Clustering

6.3.- Reglas de Asociación

7.1.- Introducción a Big Data

7.2.- Introducción a Spark usando Python

7.3.- Machine Learning en Spark: MLib

7.4.- Clasificación, Regresión, Clustering y Reglas de Asociación en Spark

8.1.- ¿Cómo utilizar KNIME? - Flujos de trabajo

8.2.- ¿Cómo resolver un problema con KNIME?

8.3.- Aprendizaje Supervisado: Regresión y Clasificación

8.4.- Aprendizaje No Supervisado: Clustering y Reglas de Asociación

Topic outline

General

MOOC Machine Learning y Big Data para la Bioinformática

Topic 1

Not available

Topic 2

Not available

Topic 3

Not available

Topic 4

Not available

Skip [Cocoon] Course Instructor

Coordinador del curso

3 Students
1 Courses

Jesús Alcalá Fernández

Profesor Titular en CCIA en UGR, Instituto DasCI

Obtuvo el título de Ingeniero y de Doctor en Informática por la Universidad de Granada en los años 2002 y 2006 respectivamente. Desde 2005 a 2007, fue profesor del departamento de Informática de la Universidad de Jaén, y desde 2007 es profesor del departamento de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada (siendo profesor titular desde el 2012), donde es miembro del grupo de investigación “Soft Computing and Intelligent Information Systems” (SCI2S, TIC-186), del Instituto Andaluz Interuniversitario en Data Science an Computational Intelligence (DaSCI), y del centro de investigación en Tecnologías de la Información y de las Comunicaciones(CITIC-UGR).

Como médico forense, Lorente ha aportado a los textos elaborados en colaboración con el Observatorio la perspectiva científica y el análisis médico forense de los hechos y circunstancias estudiados. Entre otros, figura como experto en numerosos de los informes anuales que el Observatorio publica sobre las sentencias dictadas en casos de homicidios y asesinatos de mujeres cometidos en el seno de la pareja y en el estudio sobre la aplicación de la agravante de género en las sentencias.

Ha recibido varios premios a lo largo de su carrera investigadora como el Premio a los Trabajos de Excelencia de la Universidad de Granada o el de la Asociación Española para la IA a los mejores trabajos de investigación.

Skip [Cocoon] Related courses