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.
Veure carpeta electrònica de lassignatura.
Veure carpeta electrònica de lassignatura.
Veure carpeta electrònica de lassignatura.
Veure carpeta electrònica de lassignatura.