Análisis, predicción y clasificación de datos biomédicos

Introducción al Machine Learning en biomedicina. Las clases están enfocadas en conocer los pasos necesarios para procesar diferentes fuentes de datos biomédicos, buscar patrones, extraer conclusiones e implementar modelos predictivos. La asignatura tiene un gran componente práctico en el que los asistentes aprenderán nociones básicas de programación en Python y scikit-learn para poder implementar las diferentes herramientas necesarias para el procesamiento de los datos. No se requieren conocimientos previos de programación.

Los objetivos del curso son los siguientes:

• Conocer problemas prácticos en biomedicina que han podido resolverse gracias a distintas técnicas de ML.
• Ser capaz de diseñar e implementar un modelo para la predicción/clasificación de datos biomédicos.
• Aprender a extraer patrones que agrupen diferentes categorías en los datos.
• Conocer los algoritmos del estado del arte para predecir/clasificar datos.
• Aprender a detectar problemas y posibles soluciones para mejorar la predicción del modelo diseñado.
• Aprender a usar la herramienta scikit-learn para analizar los datos.

Temario del curso

El curso tiene una duración de 5 semanas, cuyo temario es el siguiente:

• Tema 1: Introducción al Machine Learning (ML)
• Tema 2: Aprendizaje Supervisado I. Regresión
• Tema 3: Aprendizaje Supervisado II. Clasificación
• Tema 4: Selección del modelo e hiperparámetros y su evaluación
• Tema 5: Aprendizaje no Supervisado

Referencias del curso

Página de scikit-learn

T. Hastie, R. Tibshirani, J.Friedman. The Elements of Statistical Learning:Data Mining, Inference, and Prediction. 2o edition, Springer, 2009

Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer 2006

Requerimientos mínimos: Python 3.6 y las librerías numpy, pandas, matplotlib y scikit-learn

Nota: Todas las datasets usadas en este curso son de dominio público, bien porque están incluidas en las diferentes librerías y plataformas de estadística y machine learning o porque se encuentran en repositorios de machine learning open-access

Cualquier comentario sobre el curso, podéis escribir a Javier Rasero