Aquest curs ofereix coneixements importants sobre els principis de la intel·ligència artificial (IA) i l'aprenentatge automàtic (AA) aplicats a l'àmbit de l'enginyeria de salut. S'exploraran tècniques clau com ara la classificació, la regressió i l'agrupament, amb un enfocament en la resolució de problemes biomèdics, com ara la interpretació d'imatges mèdiques, la predicció de resultats clínics i l'anàlisi de senyals fisiològics. Els estudiants desenvoluparan habilitats pràctiques en la implementació de models mitjançant entorns de programació, integrant el coneixement tècnic amb les necessitats específiques del sector sanitari.
A més, s'analitzaran els desafiaments ètics i reguladors associats a l'ús d'IA en entorns de salut, tot fomentant una comprensió crítica de la fiabilitat i la interpretabilitat dels models. En acabar, els participants estaran preparats per aplicar aquestes eines al desenvolupament de solucions innovadores que contribueixin a millorar la prevenció, el diagnòstic i el tractament de malalties, així com a optimitzar la gestió dels serveis sanitaris.
Professors Titulars
Es recomanen coneixements d'àlgebra lineal, matemàtiques, estadística, programació, processament de senyals i imatges mèdiques.
Els alumnes adquireixen els coneixements i desenvolupen les habilitats que s'indiquen a continuació:
1. Comprendre els fonaments de la IA i l'aprenentatge automàtic aplicats a l'anàlisi de dades biomèdiques i la millora de processos clínics.
2. Desenvolupar i avaluar models dIA per resoldre problemes específics de làmbit sanitari.
3. Aplicar eines de programació per a la implementació d'algorismes d'IA, utilitzant entorns i llibreries com ara Python, TensorFlow, Keras o Scikit-Learn.
4. Identificar i abordar desafiaments ètics i reguladors relacionats amb l'ús d'IA en entorns sanitaris, garantint la privadesa i la seguretat de les dades.
5. Fomentar el treball interdisciplinari entre professionals de lenginyeria i el sector salut, promovent solucions innovadores i basades en evidència.
1. Introducció a la Intel·ligència Artificial (IA)
- Definició i aplicacions de la IA, història, evolució i tipus. Diferències entre IA, Aprenentatge Automàtic (ML) i Deep Learning.
2. Fonaments de l'aprenentatge automàtic
- Definició de ML i tipus (aprenentatge supervisat, aprenentatge no supervisat, aprenentatge per reforç). Conceptes bàsics: models, característiques, overfitting i underfitting. Avaluació de models i mètriques. Llibreries i eines a Python
3. Aprenentatge Supervisat
Regressió lineal i logística. Màquines de suport vectorial (SVM). Arbres de decisió i Random Forest. Xarxes neuronals artificials (Perceptró multicapa). Aplicacions pràctiques.
4. Aprenentatge No Supervisat
- Clustering (K-means, DBSCAN: Density-Based Spatial Clustering of Applications with Noise, Jeràrquic). Reducció de dimensionalitat (PCA: Principal Component Analysis, t-SNE: t-distributed Stochastic Neighbor Embedding). Models generatius. Xarxes generatives antagòniques (GANs: Generative Adversarial Networks) i VAEs: Variational Autoencoders). Aplicacions pràctiques.
5. Aprenentatge Profund
- Introducció a xarxes neuronals profundes. Arquitectures: Xarxes Neuronals Convolucionals. Xarxes Neuronals Recurrents. Transformers. Aplicacions en visió per ordinador i processament de Llenguatge Natural. Implementació amb TensorFlow/PyTorch
6. Ètica, Biaix i Futur de la IA.
El curs combina enfocaments teòrics i pràctics per garantir un aprenentatge integral, amb èmfasi en l'aplicació de la intel·ligència artificial en entorns de salut, estructurat en classes teòriques, sessions pràctiques, anàlisi i discussió de casos d'aplicacions reals d'IA a l'enginyeria de la salut) i el desenvolupament d'un projecte on els estudiants apliquen els coneixements adquirits per resoldre un problema.
Els elements d'avaluació són els següents:
Avaluació continua
Exàmens de punt de control i finals
Pràctiques
Avaluacions Contínues periòdiques realitzades a classe (10%): S?assignaran exercicis a classe que s?hauran d?entregar a través d?eStudy en finalitzar la sessió o en la data límit indicada.
Exàmens parcial i final (40%): Es realitzarà un examen parcial (20% de la nota final) i un examen final (20% de la nota final) durant els períodes oficials d?avaluació (setmana de parcials del primer semestre i convocatòria de febrer). Hi haurà oportunitats de recuperació per a cada examen durant la convocatòria extraordinària. Es requereix una nota mínima de 4 (sobre 10) a cada examen per aprovar l?assignatura.
Pràctiques (50%): S?hauran de realitzar dues pràctiques centrades en exploració de dades, preprocessament, enginyeria de característiques i predicció utilitzant un conjunt de dades proporcionat. Els projectes es podran fer en parelles o individualment. Es requereix una nota mínima de 5 (sobre 10) en cada projecte per aprovar l?assignatura.
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1, No. 2). Cambridge: MIT press.
Python 3 Documentation. Retrieved from https://docs.python.org/3/
Pandas Documentation. Retrieved from https://pandas.pydata.org/pandas-docs/stable/
Matplotlib Documentation. Retrieved from https://matplotlib.org/contents.html
Seaborn Documentation. Retrieved from https://seaborn.pydata.org/api.html
Scikit Learn Documentation. Retrieved from https://scikit-learn.org/stable/documentation.html
Keras Documentation. Retrieved from https://keras.io/
Pytorch Documentation. Retrieved from https://pytorch.org/