Universidad Pública de Navarra



Año Académico: 2021/2022
Graduado o Graduada en Ingeniería Biomédica por la Universidad Pública de Navarra
Código: 246404 Asignatura: MACHINE LEARNING PARA EL DIAGNÓSTICO ASISTIDO
Créditos: 4.5 Tipo: Optativa Curso: 4 Periodo: 1º S
Departamento:
Profesorado:
MALANDA TRIGUEROS, ARMANDO (Resp)   [Tutorías ] SANTAFE RODRIGO, GUZMAN   [Tutorías ]

Partes de este texto:

 

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases expositivas/participativas 15  
A-2 Prácticas 20  
A-3 Elaboración de trabajo   30
A-4 Lecturas de material   20
A-5 Estudio individual   10 
A-6 Exámenes, pruebas de evaluación 4  
A-7 Tutorías individuales  1  
     
Total 45 60

Subir

Evaluación

Metodología/actividad Evaluación Porcentaje de la nota Carácter recuperable
  • Identificar y componer los elementos un sistema de clasificación.
  • Emplear técnicas multivariantes, Bayesianas, árboles de decisión, redes neuronales y métodos de "clustering" para la clasificación de señales.
  • Evaluar el rendimiento de los sistemas de clasificación.
     Examen tipo test       20       Sí
  • Identificar y componer los elementos un sistema de clasificación.
  • Emplear técnicas multivariantes, Bayesianas, árboles de decisión, redes neuronales y métodos de "clustering" para la clasificación de señales.
  • Evaluar el rendimiento de los sistemas de clasificación.
     Evaluación de prácticas 40         Sí  
  • Identificar y componer los elementos un sistema de clasificación.
  • Emplear técnicas multivariantes, Bayesianas, árboles de decisión, redes neuronales y métodos de "clustering" para la clasificación de señales.
  • Evaluar el rendimiento de los sistemas de clasificación.
  • Escribir una memoria científica de los resultados de un proyecto de investigación.
  • Presentar un trabajo científico de los resultados de un proyecto de investigación.
           Proyecto               40               Sí

Subir

Temario

1. Introducción

  • Clasificación automática para ayuda al diagnóstico
  • Extracción de características
  • Entrenamiento
  • Evaluación

2. Métodos de clasificación supervisada

  • El discriminante lineal
  • Redes neuronales lineales
  • Redes neuronales no lineales y multicapa
  • Algoritmo de retropropagación
  • Elementos para el diseño de redes neuronales orientadas a la clasificación
  • Árboles de decisión
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

3. Métodos de clasificación no supervisada (¿clustering¿)

  • Árboles jerárquicos de decisión
  • El método k-means
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

4. Análisis multivariante discriminante

  • Introducción
  • Clasificación con dos poblaciones. Caso de poblaciones normales
  • Generalización a la clasificación de varias poblaciones normales
  • Obtención de variables canónicas discriminantes
  • Discriminación cuadrática
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

5. Clasificación Bayesiana

  • Conceptos básicos.
  • Redes Bayesianas: aprendizaje estructural, aprendizaje paramétrico
  • Clasificadores basados en redes Bayesianas: naive Bayes, semi-naive Bayes, naive Bayes aumentado a árbol, otros clasificadores basado en redes Bayesianas
  • Ejemplos de aplicación en sistemas de ayuda al diagnóstico

6. Evaluación de modelos de clasificación

  • Introducción a la evaluación de clasificadores.
  • Scores para evaluar la bondad de clasificadores.
  • Métodos de estimación.

Subir

Programa de prácticas experimentales

Práctica 1. Discriminante lineal

Práctica 2. Redes neuronales no lineales

Práctica 3. Árboles de decisión

Práctica 4. Métodos de clustering

Práctica 5. Análisis multivariante discriminante

Práctica 6. Clasificación bayesiana

Proyecto: Desarrollo de un proyecto de clasificación automática de señales o datos biomédicos.

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


  • M. Hall, I. Witten and E. Frank (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
  • E. Castillo, J.M. Gutierrez and A. S. Hadi (1997). Expert Systems and Probabilistic Network Models. Springer. 
  • Richard O. Duda, Peter E. Hart, David G. Stork. (2000). Pattern classification (2nd edition). Wiley-Interscience.
  • D. M. Skapura (1996). Building Neural Networks. ACM Press.
  • J. P. Marques de Sá (2001). Pattern recognition. Concepts, methods and applications. Springer.

Subir

Idiomas

La asignatura se desarrollará en castellano, aunque parte de la documentación disponible estará en inglés.

Subir