Descripción

UNIDAD DIDÁCTICA 1. PROGRAMACIÓN, DATOS Y MODELOS DE INTELIGENCIA ARTIFICIAL

1. Distinción de los fundamentos de la IA y sus diferencias respecto al desarrollo de aplicaciones convencionales
2. – Tipos de IA
3. – Aplicaciones de la IA
4. – Áreas de la IA
5. – Datos y IA
6. Identificación de los conceptos básicos del lenguaje Python así como de las herramientas necesarias para trabajar con datos
7. – Entornos Integrados de Desarrollo. Anaconda
8. – Jupyter Notebooks
9. – El lenguaje Python
10. – Modulos avanzados de Python: numpy, pandas, matplotlib, ScikiLearn
11. Aplicación de aspectos avanzados de procesamiento de datos en Python
12. – Tipos de datos: estructurados y no estructurados
13. – Adquisición y almacenamiento de datos
14. – Limpieza de datos
15. – Enriquecimiento de datos
16. – Preprocesamiento de datos: estandarización, normalización, codificación, discretización, imputación
17. Interpretación de la información contenida en un conjunto de datos
18. – Uso de distribuciones de probabilidades para la caracterización de datos
19. – Estadísticos básicos
20. – Clustering y reducción de dimensionalidad
21. – Visualización de datos
22. Identificación de los tipos de datos complejos y de las herramientas aplicables a su análisis
23. – Análisis de datos tabulares
24. – Análisis de grafos
25. – Análisis de datos textuales
26. – Análisis de series temporales
27. – Análisis de imágenes
28. Adquisición de buenas prácticas de programación y de revisión de código, uso de sistemas de controles de versiones y metodologías de trabajo ágiles
29. – Buenas prácticas de desarrollo Python
30. – Control de versiones (Github o similares)
31. – Metodologías Ágiles
32. – Documentación

UNIDAD DIDÁCTICA 2. SISTEMAS DE APRENDIZAJE AUTOMÁTICO

1. Compresión de las bases del aprendizaje supervisado
2. – Definición del problema: la función de pérdida
3. – Curva de aprendizaje
4. – Conjunto de aprendizaje, conjunto de test, conjunto de validación
5. – Análisis de errores
6. – Métricas
7. Distinción y aplicación de los métodos básicos de clasificación
8. – K-nn
9. – Árboles de decisión
10. – Random Forests
11. – Máquinas de vectores de soporte
12. Distinción y aplicación de los métodos básicos de regresión
13. – Métodos lineales
14. – Regresión múltiple
15. – Regresión logística
16. – Random Forests
17. Identificación de las herramientas de desarrollo de redes neuronales
18. – Plataformas de desarrollo: Tensorflow
19. – Regresión con redes neuronales
20. – Clasificación con redes neuronales
21. – Aplicaciones a la visión por computador
22. – Aplicaciones al procesamiento del lenguaje natural
23. Implementación y puesta en marcha de un sistema de aprendizaje automático
24. – Gestión del ciclo de vida de un sistema de aprendizaje automático
25. – Contenedores y APIs: Docker
26. – Servicio en la nube
27. Identificación de las limitaciones de los sistemas de aprendizaje y de las consecuencias éticas de su mal uso
28. – Circunstancias en las que usar las técnicas de aprendizaje para crear sistemas de toma de decisiones
29. – Datos y sesgos en las decisiones
30. – Gestión de la incertidumbre en las decisiones
31. – Otros aspectos éticos

UNIDAD DIDÁCTICA 3. SISTEMAS DE BIG DATA

1. Distinción de los fundamentos del Big Data
2. – Definición de un sistema de Big Data
3. – Computación distribuida. Computación paralela
4. – Sistemas de almacenamiento distribuidos. Tolerancia a fallos
5. – Aplicación de Big Data a las empresas y organizaciones
6. Distinción de las arquitecturas y herramientas utilizadas en el Big Data
7. – Definición de la arquitectura del Big Data
8. – Recolección y almacenamiento en el sistema Big Data
9. – Procesamiento y análisis del sistema Big Data
10. – Herramientas y proveedores del Big Data: Hive, Pig, Flume, etc
11. Identificación y análisis de los usos más comunes de Big Data
12. – Configuración de cuadros de mando en entornos computacionales
13. – Soluciones con sistemas de almacenamiento
14. – Soluciones con sistemas de procesamiento
15. – Soluciones con sistemas de analítica
16. Aplicación de un caso práctico de Big Data en la nube
17. – Arquitectura Cloud.
18. – IaaS, PaaS y SaaS
19. – Introducción a Azure, AWS y Google Cloud
20. – Powershell y Scripting
21. – Máquinas virtuales
22. – Componentes y Arquitecturas
23. – Administración de sistemas en la nube
24. – Desarrollo completo de una aplicación simple en la nube
25. – Monitorización, optimización y solución de problemas
26. – Planificación y gestión de costos

UNIDAD DIDÁCTICA 4. FUNDAMENTOS DE PROBABILIDAD Y ESTADÍSTICA CON R

1. Compresión del ciclo del conocimiento científico en general y de las ciencias de la salud en particular
2. – Método científico
3. – Diseño del experimento
4. – Observación y obtención de datos experimentales
5. – Aplicación de métodos matemáticos y estadísticos
6. – Construcción de hipótesis y de modelos
7. Aplicación de la estadística descriptiva a los datos poblacionales biosanitarios
8. – Tablas de frecuencias
9. – Representaciones gráficas: diagramas de sectores, diagramas de barras, histograma, polígono de frecuencias
10. Distinción de los parámetros estadísticos que resumen y caracterizan un conjunto de datos epidemiológico
11. – Parámetros de tendencia central
12. – Parámetros de dispersión
13. – Parámetros de asimetría y forma
14. Aplicación de gráficos exploratorios a los datos poblacionales epidemiológicos
15. – Gráficos para datos cualitativos
16. – Gráficos para datos cuantitativos discretos
17. – Gráficos para datos cuantitativos continuos
18. Búsqueda de una solución probabilista en algunos casos del ámbito biosanitario
19. – Definición de probabilidad y propiedades. Regla de Laplace
20. – Combinatoria
21. – Teorema de Bayes
22. Identificación de variables aleatorias unidimensionales en datos biosanitarios
23. – Variables Discretas
24. – Variables Continuas
25. – Media o Esperanza Matemática
26. – Varianza y Desviación típica
27. Identificación de distribuciones unidimensionales en datos biosanitarios
28. – Distribución Binomial. Ejemplos
29. – Distribución Normal. Ejemplos
30. Aplicación de las pruebas de significación y contraste de hipótesis para el proceso de decisión
31. – Test de hipótesis y límites de significación
32. – Errores de tipo I y II. Riesgos alfa y beta
33. Identificación de los datos masivos (Big-Data) en la investigación biomédica y en la atención sanitaria
34. – Datos médicos de carácter personal
35. – Anonimización de los datos
36. – Legislación en protección de datos
37. – Tipos de datos biomédicos

UNIDAD DIDÁCTICA 5. TECNOLOGÍAS UTILIZADAS EN EL ÁMBITO HOSPITALARIO Y EL SISTEMA DE SALUD

1. Identificación de los diferentes estamentos que forman parte de la organización del sistema de salud
2. – Ecosistema de salud y su cadena de valor
3. – Organización, planificación y localización de recursos
4. – Modelos de provisión de servicios
5. – Atención a crónicos
6. – Tecnología y salud
7. Análisis de la gestión y toma de decisiones en ciencias de la salud, el sistema sanitario, la atención primaria y la salud pública
8. – Estrategia de salud pública
9. – Salud y sociedad
10. – Epidemiología
11. – Investigación en el mundo sanitario
12. Implementación y puesta en marcha de las tecnologías digitales más utilizadas en salud
13. – Sistemas maestros (HIS, LIS, PACs, FIS, EHR, etc.)
14. – Terminologías estándares e interoperabilidad (LOINC, HL7-CDA, HL7-FHIR, SNOMED-CT, ICD-10, CPT, openEHR, etc)
15. – Marco conceptual de documentación clínica
16. – Conceptos básicos de bioinformática