IFCD104 INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO

UNIDAD DIDÁCTICA 1. PROGRAMACIÓN, DATOS Y MODELOS DE INTELIGENCIA ARTIFICIAL

1. Distinción de los fundamentos de la IA y sus diferencias respecto al desarrollo de aplicaciones convencionales
2. - Tipos de IA
3. - Aplicaciones de la IA
4. - Áreas de la IA
5. - Datos y IA
6. Identificación de los conceptos básicos del lenguaje Python así como de las herramientas necesarias para trabajar con datos
7. - Entornos Integrados de Desarrollo. Anaconda
8. - Jupyter Notebooks
9. - El lenguaje Python
10. - Modulos avanzados de Python: numpy, pandas, matplotlib, ScikiLearn
11. Aplicación de aspectos avanzados de procesamiento de datos en Python
12. - Tipos de datos: estructurados y no estructurados
13. - Adquisición y almacenamiento de datos
14. - Limpieza de datos
15. - Enriquecimiento de datos
16. - Preprocesamiento de datos: estandarización, normalización, codificación, discretización, imputación
17. Interpretación de la información contenida en un conjunto de datos
18. - Uso de distribuciones de probabilidades para la caracterización de datos
19. - Estadísticos básicos
20. - Clustering y reducción de dimensionalidad
21. - Visualización de datos
22. Identificación de los tipos de datos complejos y de las herramientas aplicables a su análisis
23. - Análisis de datos tabulares
24. - Análisis de grafos
25. - Análisis de datos textuales
26. - Análisis de series temporales
27. - Análisis de imágenes
28. Adquisición de buenas prácticas de programación y de revisión de código, uso de sistemas de controles de versiones y metodologías de trabajo ágiles
29. - Buenas prácticas de desarrollo Python
30. - Control de versiones (Github o similares)
31. - Metodologías Ágiles
32. - Documentación

UNIDAD DIDÁCTICA 2. SISTEMAS DE APRENDIZAJE AUTOMÁTICO

1. Compresión de las bases del aprendizaje supervisado
2. - Definición del problema: la función de pérdida
3. - Curva de aprendizaje
4. - Conjunto de aprendizaje, conjunto de test, conjunto de validación
5. - Análisis de errores
6. - Métricas
7. Distinción y aplicación de los métodos básicos de clasificación
8. - K-nn
9. - Árboles de decisión
10. - Random Forests
11. - Máquinas de vectores de soporte
12. Distinción y aplicación de los métodos básicos de regresión
13. - Métodos lineales
14. - Regresión múltiple
15. - Regresión logística
16. - Random Forests
17. Identificación de las herramientas de desarrollo de redes neuronales
18. - Plataformas de desarrollo: Tensorflow
19. - Regresión con redes neuronales
20. - Clasificación con redes neuronales
21. - Aplicaciones a la visión por computador
22. - Aplicaciones al procesamiento del lenguaje natural
23. Implementación y puesta en marcha de un sistema de aprendizaje automático
24. - Gestión del ciclo de vida de un sistema de aprendizaje automático
25. - Contenedores y APIs: Docker
26. - Servicio en la nube
27. Identificación de las limitaciones de los sistemas de aprendizaje y de las consecuencias éticas de su mal uso
28. - Circunstancias en las que usar las técnicas de aprendizaje para crear sistemas de toma de decisiones
29. - Datos y sesgos en las decisiones
30. - Gestión de la incertidumbre en las decisiones
31. - Otros aspectos éticos

UNIDAD DIDÁCTICA 3. SISTEMAS DE BIG DATA

1. Distinción de los fundamentos del Big Data
2. - Definición de un sistema de Big Data
3. - Computación distribuida. Computación paralela
4. - Sistemas de almacenamiento distribuidos. Tolerancia a fallos
5. - Aplicación de Big Data a las empresas y organizaciones
6. Distinción de las arquitecturas y herramientas utilizadas en el Big Data
7. - Definición de la arquitectura del Big Data
8. - Recolección y almacenamiento en el sistema Big Data
9. - Procesamiento y análisis del sistema Big Data
10. - Herramientas y proveedores del Big Data: Hive, Pig, Flume, etc
11. Identificación y análisis de los usos más comunes de Big Data
12. - Configuración de cuadros de mando en entornos computacionales
13. - Soluciones con sistemas de almacenamiento
14. - Soluciones con sistemas de procesamiento
15. - Soluciones con sistemas de analítica
16. Aplicación de un caso práctico de Big Data en la nube
17. - Arquitectura Cloud.
18. - IaaS, PaaS y SaaS
19. - Introducción a Azure, AWS y Google Cloud
20. - Powershell y Scripting
21. - Máquinas virtuales
22. - Componentes y Arquitecturas
23. - Administración de sistemas en la nube
24. - Desarrollo completo de una aplicación simple en la nube
25. - Monitorización, optimización y solución de problemas
26. - Planificación y gestión de costos

UNIDAD DIDÁCTICA 4. FUNDAMENTOS DE PROBABILIDAD Y ESTADÍSTICA CON R

1. Compresión del ciclo del conocimiento científico en general y de las ciencias de la salud en particular
2. - Método científico
3. - Diseño del experimento
4. - Observación y obtención de datos experimentales
5. - Aplicación de métodos matemáticos y estadísticos
6. - Construcción de hipótesis y de modelos
7. Aplicación de la estadística descriptiva a los datos poblacionales biosanitarios
8. - Tablas de frecuencias
9. - Representaciones gráficas: diagramas de sectores, diagramas de barras, histograma, polígono de frecuencias
10. Distinción de los parámetros estadísticos que resumen y caracterizan un conjunto de datos epidemiológico
11. - Parámetros de tendencia central
12. - Parámetros de dispersión
13. - Parámetros de asimetría y forma
14. Aplicación de gráficos exploratorios a los datos poblacionales epidemiológicos
15. - Gráficos para datos cualitativos
16. - Gráficos para datos cuantitativos discretos
17. - Gráficos para datos cuantitativos continuos
18. Búsqueda de una solución probabilista en algunos casos del ámbito biosanitario
19. - Definición de probabilidad y propiedades. Regla de Laplace
20. - Combinatoria
21. - Teorema de Bayes
22. Identificación de variables aleatorias unidimensionales en datos biosanitarios
23. - Variables Discretas
24. - Variables Continuas
25. - Media o Esperanza Matemática
26. - Varianza y Desviación típica
27. Identificación de distribuciones unidimensionales en datos biosanitarios
28. - Distribución Binomial. Ejemplos
29. - Distribución Normal. Ejemplos
30. Aplicación de las pruebas de significación y contraste de hipótesis para el proceso de decisión
31. - Test de hipótesis y límites de significación
32. - Errores de tipo I y II. Riesgos alfa y beta
33. Identificación de los datos masivos (Big-Data) en la investigación biomédica y en la atención sanitaria
34. - Datos médicos de carácter personal
35. - Anonimización de los datos
36. - Legislación en protección de datos
37. - Tipos de datos biomédicos

UNIDAD DIDÁCTICA 5. TECNOLOGÍAS UTILIZADAS EN EL ÁMBITO HOSPITALARIO Y EL SISTEMA DE SALUD

1. Identificación de los diferentes estamentos que forman parte de la organización del sistema de salud
2. - Ecosistema de salud y su cadena de valor
3. - Organización, planificación y localización de recursos
4. - Modelos de provisión de servicios
5. - Atención a crónicos
6. - Tecnología y salud
7. Análisis de la gestión y toma de decisiones en ciencias de la salud, el sistema sanitario, la atención primaria y la salud pública
8. - Estrategia de salud pública
9. - Salud y sociedad
10. - Epidemiología
11. - Investigación en el mundo sanitario
12. Implementación y puesta en marcha de las tecnologías digitales más utilizadas en salud
13. - Sistemas maestros (HIS, LIS, PACs, FIS, EHR, etc.)
14. - Terminologías estándares e interoperabilidad (LOINC, HL7-CDA, HL7-FHIR, SNOMED-CT, ICD-10, CPT, openEHR, etc)
15. - Marco conceptual de documentación clínica
16. - Conceptos básicos de bioinformática