Se recomiendan conocimientos de algebra lineal, matemáticas, estadística, programación, procesamiento de señales e imágenes médicas.
Los alumnos adquieren los conocimientos y desarrollan las habilidades que se indican a continuación:
1. Comprender los fundamentos de la IA y el aprendizaje automático aplicados al análisis de datos biomédicos y la mejora de procesos clínicos.
2. Desarrollar y evaluar modelos de IA para resolver problemas específicos del ámbito sanitario.
3. Aplicar herramientas de programación para la implementación de algoritmos de IA, utilizando entornos y librerías como Python, TensorFlow, Keras o Scikit-Learn.
4. Identificar y abordar desafíos éticos y regulatorios relacionados con el uso de IA en entornos sanitarios, garantizando la privacidad y la seguridad de los datos.
5. Fomentar el trabajo interdisciplinario entre profesionales de la ingeniería y el sector salud, promoviendo soluciones innovadoras y basadas en evidencia
1. Introducción a la Inteligencia Artificial (IA)
- Definición y aplicaciones de la IA, historia, evolución y tipos. Diferencias entre IA, Aprendizaje Automático (ML) y Deep Learning.
2. Fundamentos del Aprendizaje Automático
- Definición de ML y tipos (aprendizaje supervisado, aprendizaje no supervisado, aprendizaje por refuerzo). Conceptos básicos: modelos, características, overfitting y underfitting. Evaluación de modelos y métricas. Librerías y herramientas en Python
3. Aprendizaje Supervisado
- Regresión lineal y logística. Máquinas de soporte vectorial (SVM). Árboles de decisión y Random Forest. Redes neuronales artificiales (Perceptrón multicapa). Aplicaciones prácticas.
4. Aprendizaje No Supervisado
- Clustering (K-means, DBSCAN: Density-Based Spatial Clustering of Applications with Noise, Jerárquico). Reducción de dimensionalidad (PCA: Principal Component Analysis, t-SNE: t-distributed Stochastic Neighbor Embedding). Modelos generativos. Redes generativas antagónicas (GANs: Generative Adversarial Networks) y VAEs: Variational Autoencoders). Aplicaciones prácticas.
5. Aprendizaje Profundo
- Introducción a redes neuronales profundas. Arquitecturas: Redes Neuronales Convolucionales. Redes Neuronales Recurrentes. Transformers. Aplicaciones en visión por computadora y procesamiento de Lenguaje Natural. Implementación con TensorFlow/PyTorch
6. Ética, Sesgo y Futuro de la IA.
El curso combina enfoques teóricos y prácticos para garantizar un aprendizaje integral, con énfasis en la aplicación de la inteligencia artificial en entornos de salud, estructurado en clases teóricas, sesiones prácticas, análisis y discusión de casos de aplicaciones reales de IA en la ingeniería de la salud) y el desarrollo de un proyecto donde los estudiantes aplican los conocimientos adquiridos para resolver un problema específico del ámbito sanitario.
Ver carpeta electrónica de la asignatura.
Ver carpeta electrónica de la asignatura.
Ver carpeta electrónica de la asignatura.
Ver carpeta electrónica de la asignatura.