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.
Evaluación continua (10%)
Exámenes de punto de control y final (40%)
Prácticas (50%)
Ver carpeta electrónica de la asignatura.
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/