Universidad Pública de Navarra



Año Académico: 2023/2024 | Otros años:  2022/2023  |  2021/2022 
Graduado o Graduada en Ingeniería Biomédica por la Universidad Pública de Navarra
Código: 246404 Asignatura: MACHINE LEARNING PARA EL DIAGNÓSTICO ASISTIDO
Créditos: 4.5 Tipo: Optativa Curso: 4 Periodo: 1º S
Departamento:
Profesorado:
MALANDA TRIGUEROS, ARMANDO (Resp)   [Tutorías ] SANTAFE RODRIGO, GUZMAN   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

Módulo/Materia: Optatividad

Subir

Competencias genéricas

CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de
su área de estudio

CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado

CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Subir

Competencias específicas

CE12 - Descubrir, interpretar y evaluar patrones biológicos aplicando técnicas de reconocimiento de patrones y minería de datos.

Subir

Resultados aprendizaje

R1 - Adquirir conocimientos más avanzados sobre aspectos específicos relacionados con la titulación:

 

En concreto, se podrían identificar los siguientes resultados:

  • Identificar y componer los elementos un sistema de clasificación.
  • Emplear técnicas multivariantes, Bayesianas, árboles de decisión, redes neuronales y métodos de "clustering" para la clasificación de señales.
  • Evaluar el rendimiento de los sistemas de clasificación.
  • Escribir una memoria científica de los resultados de un proyecto de investigación.
  • Presentar un trabajo científico de los resultados de un proyecto de investigación.

Subir

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases expositivas/participativas 15  
A-2 Prácticas 20  
A-3 Elaboración de trabajo   30
A-4 Lecturas de material   20
A-5 Estudio individual   10 
A-6 Exámenes, pruebas de evaluación 4  
A-7 Tutorías individuales  1  
     
Total 45 60

Subir

Evaluación

 

Resultados de
aprendizaje		 Actividad de
evaluación		 Peso (%) Carácter
recuperable		 Nota mínima
requerida
R1  Examen tipo test  20 SI NO
R1 Prácticas con ordenador 40 SI NO
R1 Proyecto 40 SI NO



Subir

Temario

1. Introducción

  • Clasificación automática para ayuda al diagnóstico
  • Extracción de características
  • Entrenamiento
  • Evaluación

2. Redes Neuronales y árboles de decisión

  • El discriminante lineal
  • Redes neuronales lineales
  • Redes neuronales no lineales y multicapa
  • Algoritmo de retropropagación
  • Elementos para el diseño de redes neuronales orientadas a la clasificación
  • Árboles de decisión
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

3. Análisis multivariante discriminante

  • Introducción
  • Clasificación con dos poblaciones. Caso de poblaciones normales
  • Generalización a la clasificación de varias poblaciones normales
  • Obtención de variables canónicas discriminantes
  • Discriminación cuadrática
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

4. Modelos de clasificación basados en redes Bayesianas

  • Conceptos básicos.
  • Redes Bayesianas: aprendizaje estructural, aprendizaje paramétrico
  • Clasificadores basados en redes Bayesianas: naive Bayes, semi-naive Bayes, naive Bayes aumentado a árbol, otros clasificadores basado en redes Bayesianas
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

5. Evaluación de modelos de clasificación

  • Introducción a la evaluación de clasificadores.
  • Scores para evaluar la bondad de clasificadores.
  • Métodos de estimación.

6. Métodos de clasificación no supervisada (clústering)

  • Clústering jerárquico
  • El método k-means
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

Subir

Programa de prácticas experimentales

Práctica 1. Discriminante lineal

Práctica 2. Redes neuronales no lineales

Práctica 3. Árboles de decisión

Práctica 4. Análisis multivariante discriminante

Práctica 5. Clasificación bayesiana

Práctica 6. Métodos de clustering

Proyecto: Desarrollo de un proyecto de clasificación automática de señales o datos biomédicos.

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


  • M. Hall, I. Witten and E. Frank (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
  • E. Castillo, J.M. Gutierrez and A. S. Hadi (1997). Expert Systems and Probabilistic Network Models. Springer. 
  • Richard O. Duda, Peter E. Hart, David G. Stork. (2000). Pattern classification (2nd edition). Wiley-Interscience.
  • D. M. Skapura (1996). Building Neural Networks. ACM Press.
  • J. P. Marques de Sá (2001). Pattern recognition. Concepts, methods and applications. Springer.

Subir

Idiomas

La asignatura se desarrollará en castellano, aunque parte de la documentación disponible estará en inglés.

Subir

Lugar de impartición

Aulario y laboratorios del departamento IEEC

Subir